Машинное обучение применили для автоматической классификации массива при проходке тоннеля ТПМК

Исследователи предложили метод автоматической классификации состояния горного массива по рабочим параметрам тоннелепроходческого комплекса.

Научная работа опубликована 17 сентября в журнале GeoEnergy Communications. Исследование выполнено на примере подземной исследовательской лаборатории Beishan в Китае.

Авторы изучили возможность определения класса горного массива непосредственно по данным, которые формируются во время работы тоннелепроходческой машины.

Для решения задачи использовались методы машинного обучения. Особое внимание исследователи уделили не только точности прогноза, но и интерпретируемости модели — возможности определить, какие параметры проходки сильнее всего влияют на результат классификации.

Для анализа применялся подход SHAP, позволяющий оценивать вклад отдельных входных параметров в решение модели.

Автоматическое распознавание изменения инженерно-геологических условий в процессе проходки может использоваться для оперативной корректировки режимов работы ТПМК и принятия решений по креплению выработки.

Такой подход потенциально позволяет использовать эксплуатационные параметры проходческого оборудования как дополнительный источник геотехнической информации о состоянии массива.

Работа выполнена на материалах Beishan URL — подземной исследовательской лаборатории, создаваемой для исследований, связанных с глубинным захоронением высокоактивных радиоактивных отходов.