Застосування алгоритмів машинного навчання для прогнозування потужності вугільних пластів на шахтах Західного Донбасу
Date Issued
2025
Author(s)
Малашкевич Д.С.
Abstract
У сучасних умовах функціонування гірничої промисловості України, питання
точного прогнозування геологічних параметрів вугільних пластів набуває особливої
актуальності. Зокрема, це стосується родовищ Західного Донбасу, де більшість пластів
мають складну гіпсометрію, мінливу потужність і часто характеризуються
невитриманими геометричними формами. Традиційні методи аналізу часто не
забезпечують необхідної точності, що призводить до підвищення втрат при видобутку,
нераціонального використання технічних ресурсів та зростання витрат.
У відповідь на ці виклики все більшого значення набуває застосування алгоритмів
машинного навчання (ML), зокрема методів регресійного аналізу та нейронних
мереж. Одним із перспективних напрямів є створення цифрових геоінформаційних
моделей пластів з використанням даних буріння, геологічних розрізів та
маркшейдерських зйомок, що дозволяє не лише візуалізувати структуру пласта, а й
прогнозувати його параметри у незвіданих точках.
точного прогнозування геологічних параметрів вугільних пластів набуває особливої
актуальності. Зокрема, це стосується родовищ Західного Донбасу, де більшість пластів
мають складну гіпсометрію, мінливу потужність і часто характеризуються
невитриманими геометричними формами. Традиційні методи аналізу часто не
забезпечують необхідної точності, що призводить до підвищення втрат при видобутку,
нераціонального використання технічних ресурсів та зростання витрат.
У відповідь на ці виклики все більшого значення набуває застосування алгоритмів
машинного навчання (ML), зокрема методів регресійного аналізу та нейронних
мереж. Одним із перспективних напрямів є створення цифрових геоінформаційних
моделей пластів з використанням даних буріння, геологічних розрізів та
маркшейдерських зйомок, що дозволяє не лише візуалізувати структуру пласта, а й
прогнозувати його параметри у незвіданих точках.
File(s)![Thumbnail Image]()
Loading...
Name
Scientific_Spring_2025-315-316.pdf
Size
362.71 KB
Format
Adobe PDF
Checksum
(MD5):110b80235a85f19ee6351f307fb34494