Статті

Дослідження точності підземних опорних маркшейдерських мереж шляхом застосування нейромережевого моделювання

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2026

Останнє оновлення: 26 червня 2026

Опубліковано: 30 листопада -0001

Перегляди: 1448

Authors:

Г. С. Ішутіна*, orcid.org/0000-0002-0665-3040, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

С. В. Бєгічев, orcid.org/0000-0001-9861-8754, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

Л. О. Чумак, orcid.org/0000-0002-3858-8028, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

A. O. Балашов, orcid.org/0009-0007-5833-0888, Український державний університет науки і технологій, м. Дніпро, Україна, e-mail Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2026, (3): 175 - 183

https://doi.org/10.33271/nvngu/2026-3/175

Abstract:

Мета. Оцінити точність підземної маркшейдерської опорної мережі (ПМОМ) шляхом застосування нейромережевого моделювання й адаптивної оцінки положення найвіддаленішого пункту ходу. Виконати аналіз методів оцінки середніх квадратичних похибок положення пунктів.

Методика. Застосування методів глибокого навчання, зокрема умовні табличні генеративно-змагальні мережі (CTGAN), для синтезування розширених наборів геодезичних даних із метою оцінки точності підземних опорних маркшейдерських мереж (ПМОМ). Аналіз нормативно-правових документів, закордонних і вітчизняних літературних джерел щодо аналізу точності й надійності маркшейдерських і геодезичних мереж шляхом застосування штучного інтелекту (нейромережевого моделювання й адаптивної оцінки).

Результати. Застосування нейромережевого моделювання й адаптивної оцінки дозволяє кількісно оцінити точність підземної опорної маркшейдерської мережі шляхом моделювання величин кутових і лінійних середніх квадратичних помилок (СКП). Це безпосередньо впливає на СКП положення найвіддаленішого пункту ПМОМ і вказує на процес збіжності дисперсії мережі при використанні адаптивного протоколу. При цьому, як тільки невизначеність наближається до Safety Constraint Layer, то система сигналізує про необхідність введення додаткових гіроскопічних вимірювань, що неможливо отримати аналітичними методами та неможливо зробити засобами табличного процесора.

Наукова новизна. Уперше запропоновано виконувати  оцінку точності запроєктованої ПМОМ із застосуванням сучасних технологій штучного інтелекту. Проаналізовані відповідно до вимог нормативних документів результати оцінки із використанням аналітичного метода й метода моделювання. Похибки положення найвіддаленішого пункту № 15 ПМОМ визначено відповідно до заданого допуску. Також встановлені значення СКП вимірювань, за яких виконується необхідна умова. Середньоквадратична похибка положення найбільш віддаленого пункту ходу не повинна перевищувати 0,3 мм на плані, що відповідає 0,6 м для планів масштабу 1:2 000 у вугільних шахтах.

Практична значимість. Виконана оцінка точності ПМОМ шляхом застосування нейромережевого моделювання й адаптивної оцінки. У результаті виявлене зміщення найвіддаленішого пункту мережі та визначена ймовірність безвідмовної роботи ПМОМ на рівні 71 %. Запропонований підхід дозволяє підвищити достовірність прогнозування точності маркшейдерських мереж на етапі їх проєктування й експлуатації. Використання нейромережевих методів дає змогу оптимізувати обсяги польових вимірювань, своєчасно виявляти критичні зони із підвищеною невизначеністю та обґрунтовувати необхідність додаткових спостережень (зокрема гіроскопічних). Результати можуть бути використані для автоматизації процесів контролю якості геодезичних робіт, зниження виробничих ризиків у гірничих умовах і підвищення безпеки ведення робіт у вугільних шахтах. Запропонована методика також придатна для інтеграції у сучасні геоінформаційні й маркшейдерські системи підтримки прийняття рішень.

Ключові слова: маркшейдерська мережа, оцінка точності, нейромережеве моделювання, адаптивна оцінка, полігонометричний хід

References.

1. Verkhovna Rada of Ukraine (2021). Rules for the performance of surveying works during the development of deposits of ore and non-ore minerals. Retrieved from https://zakon.rada.gov.ua/laws/show/z0884-21#Text

2. Verkhovna Rada of Ukraine (2025). Safety Rules for Conducting Mining Operations in Coal Mines. Retrieved from https://zakon.rada.gov.ua/laws/show/z1145-25#Text

3. Verkhovna Rada of Ukraine (2023). Mining Law of Ukraine. Retrieved from https://zakon.rada.gov.ua/laws/show/1127-14#Text

4. Verkhovna Rada of Ukraine (2024). Law of Ukraine “On Topographic, Geodetic and Cartographic Activities”. Retrieved from https://zakon.rada.gov.ua/laws/show/353-14#Text

5. Verkhovna Rada of Ukraine (2013). Procedure for the Establishment of the State Geodetic Network. Retrieved from https://zakon.rada.gov.ua/laws/show/646-2013-%D0%BF#n9

6. Ishutina, H. S. (2025). Retrospective Analysis of Studies on the Problem of Reliability of Geodetic Networks. Urban Development and Territorial Planning, (90), 452-462. https://doi.org/10.32347/2076-815x.2025.90.452-462

7. Ishutina, H. S., Behichev, S. V., & Chumak, L. O. (2024). Study of the reliability of a geodetic network to ensure geodetic support of construction. Ukrainian Journal of Construction and Architecture, 5(023), 7-20. https://doi.org/10.30838/UJCEA.2312.301024.07.1087

8. Mrówczyńska, M., & Sztubecki, J. (2021). The network structure evolutionary optimization to geodetic monitoring in the aspect of information entropy, Measurement, 179, 109369. https://doi.org/10.1016/j.measurement.2021.109369

9. Horb, O. I., Nesterenko, S. H., Afanasiev, O. V., & Baistruk, O. V. (2023). Areas of Application of Artificial Intelligence in Geodetic Monitoring of Buildings and Structures. Municipal Economy of Cities, 3(177), 109-114. https://doi.org/10.33042/2522-1809-2023-3-177-109-114

10.      Reiterer, A., Egly, U., Vicovac, T., Mai, E., Moafipoor, S., Grejner-Brzezinska, D. A., & Toth,C. K. (2010). Application of artificial intelligence in Geodesy – A review of theoretical foundations and practical examples. Journal of Applied Geodesy, 4, 201-217. https://doi.org/10.1515/JAG.2010.020

11.      Neuner, H. (2010). Modelling Deformations of a Lock by Means of Artificial Neural Networks. Second Workshop on Application of Artificial Intelligence and Innovations in Engineering Geodesy, 32-41. Retrieved from https://www.researchgate.net/profile/Seyfullah-Demirkaya/publication/259568806_Application_of_Artificial_Intelligence_and_Innovations_in_Engineering_Geodesy/links/5644f0bb08ae451880a8a255/Application-of-Artificial-Intelligence-and-Innovations-in-Engineering-Geodesy.pdf

12.      Neuner, H., & Kutterer, H. (2010). Modellselektion in der ingenieurgeodätischen Deformationsanalyse. Wunderlich, Th. A. (Ed.): “Beiträge zum 16. Internationalen Ingenieurvermessungskurs, München, 2010”, 199-210.

13.      Soja, B. (2024). A geodetic journey from classical statistical methods to machine learning. https://doi.org/10.3929/ethz-b-000661220

14.      Soja, B., Kaselimi, M., Asgarimehr, M., Modiri, S., Sharifi, M. A., Belda, S., …, & Śliwińska-Bronowicz, J. (2025). The Role of AI in Modern Geodesy. Insights from GGOS Focus Area AI4G. https://doi.org/10.3929/ethz-c-000783501

15.      Roumeliotis, A. J., Kaselimi, M., Papafragkakis, A. Z., Panagopoulos, A. D., & Doulamis, N. (2023). Excess attenuation detection in satellite communication channel measurements with deep learning architectures. 17 ^th European Conference on Antennas and Propagation (EuCAP), 1-4. https://doi.org/10.23919/EuCAP57121.2023.10133621

16.      Temenos, A., Temenos, N., Kaselimi, M., Doulamis, A., & Doulamis, N. (2023). Interpretable deep learning framework for land use and land cover classification in remote sensing using SHAP. IEEE geoscience and remote sensing letters, 20, Retrieved from https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10057399

17.      Li, W., Hsu, Ch.-Y., & Hu, M. (2025). Tobler’s First Law in GeoAI: A Spatially Explicit Deep Learning Model for Terrain Feature Detection Under Weak Supervision. https://doi.org/10.48550/arXiv.2508.03745

18.      Stacchio, L., Nepi, L., Paolanti, M., & Pierdicca, R. (2025). RSplitzero: generalized zero-shot learning in remote sensing across attribute splits with single and multi-modal representations. International Journal of Digital Earth, 18(2). https://doi.org/10.1080/17538947.2025.2551869

19.      Pierdicca, R., Paolanti, M., Matrone, F., Martini, M., Morbidoni, C., Malinverni, E. S., Frontoni, E., & Lingua, A. M. (2020). Point cloud semantic segmentation using a deep learning framework for cultural heritage. Remote Sensing, 12(6), 1005. https://doi.org/10.3390/rs12061005

20.      Mai, G., Xie, Y., Jia, X., Lao, N., Rao, J., Zhu, Q., Liu, Y.-Y., Chiang, Jiao, J. (2025). Towards the next generation of Geospatial Artificial Intelligence. International Journal of Applied Earth Observation and Geoinformation, 136, 104368. https://doi.org/10.1016/j.jag.2025.104368

21.      Lou, J., &. Zhang, R. (2021). LF-GNSS: Towards More Robust Satellite Positioning with a Hard Example Mining Enhanced Learning-Filtering Deep Fusion Framework. Journal of latex class files, 14(8). https://doi.org/10.48550/arXiv.2505.19560

22.      Özarpacı, S., Kılıç, B., Can Bayrak, O., Taşkıran, M., Uğur Doğan, U., & Floyd, M. (2024). Machine learning approach for GNSS geodetic velocity estimation. GPS Solutions, 28(65).
https://doi.org/10.1007/s10291-023-01607-1

23.      Özbey, V., Ergintav, S., & Tarı, E. (2024). GNSSTime Series Analysis with Machine Learning Algorithms: A Case Study for Anatolia. Remote Sensing, 16, 3309. https://doi.org/10.3390/rs16173309

24.      Malashchuk, O.S. (2024). Automation of geodetic measurements using artificial intelligence. Nauka і tekhnika siohodni, 11(39), 949-961. https://doi.org/10.52058/2786-6025-2024-11(39)-949-961

25.      Butt, J., Wieser, A., Gojcic, Z., & Zhou, C. (2021). Machine learning and geodesy: A survey. Journal of Applied Geodesy 15(2). https://doi.org/10.1515/jag-2020-0043

26.      McGaughey, J. (2020). Artificial intelligence and big data analytics in mining geomechanics. Journal of the Southern African Institute of Mining and Metallurgy, 120, (1). https://doi.org/10.17159/2411-9717/847/2020

27.      McGaughey, W. J., Laflèche, V., Howlett, C., Sydor, J. L., Campos, D., Purchase, J., & Huynh, S. (2017). Automated, real-time geohazard assessment in deep underground mines. In Wesseloo, J. (Ed.). Proceedings of the Eighth International Conference on Deep and High Stress Mining, Australian Centre for Geomechanics, Perth, (pp. 521-528). https://doi.org/10.36487/ACG_rep/1704_34_McGaughey

28.      Leung, R., Balamurali, M., & Lowe, A. (2021). Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation. Mathematical Geosciences. https://doi.org/10.48550/arXiv.2103.03923

• < Попередня
• Наступна >