CC BY
10
I A.B. Дягилева//А.У. Dyagileva dyagileval952(g}mail.ru
I П.А. Пылов // P.A. Pylov
gedrosten(g}mail.ru
канд. техн. наук, доцент, ФГБОУ ВПО «Кузбасский государственный технический университет имени Т.Ф.Горбачева» (КузГТУ), Россия, 650026, г.Кемерово, ул.Весенняя, 28
Candidate of technical sciences, associate professor of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 650026, Russia
Magister of FGBOU VO "Kuzbass State Technical University named after T.F.Gorbachev (KuzSTU), 28, Vesenniaia St., Kemerovo, 6500^6, Russia
УДК 622.831.1
ИММИТАЦИОННАЯ МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ АВТОМАТИЗИРОВАННОЙ РАЗРАБОТКИ; УГОЛЬНЫХ МЕСТОРОЖДЕНИЙ
SIMULATION MODEL OF ARTIFICIAL INTELLIGENCE FOR AUTOMATED DEVELOPMENT OF COAL DEPOSITS
Разработка новых угольных месторождений обусловлена многими сложностями. Однако потребность в решении данной задачи будет оставаться актуальной ровно столько, сколько человечеству необходима добыча полезных ископаемых шахтным способом. Как следствие, при невозможности замены самого процесса закономерно возникает необходимость в его автоматизации. Автоматизация средствами решения задачи стандартными методами прямого программирования пользуется успехом во многих областях прикладной сферы деятельности человека, однако она может быть основана и на интеллектуальных системах. Разработка угольных месторождений - это идеальная среда для применения интеллектуальных систем, основанных на принципах и моделях искусственного интеллекта, так как нахождение пластов полезных ископаемых порой не представляется возможным алгоритмам прямого программирования. Поскольку такие случаи скорее правило, чем исключение, то на фоне простых программ алгоритмы глубокого обучения не только позволяют получить решение быстрее, но и оптимизируют сам процесс на этапе формирования решения. В данной статье будет представлен пример автоматизированной разработки угольного месторождения с графической средой воспроизведения результатов. Визуализация, реализованная в иммитационной модели, позволяет достичь правильного соотнесения графической и аналитической информации, а также реализовать гибкую интеграцию модели искусственного интеллекта с данными конкретного промышленного предприятия, осуществляющего добычу полезных ископаемых с помощью системы подземных горных выработок.
The development of new coal deposits is caused by many difficulties. However, the need to solve this problem will remain relevant for as long as humanity needs mining in a mining way. As a consequence, if it is impossible to replace the process itself, naturally there is a need for its automation. Automation by means of solving a problem using standard methods of direct programming is successful in many areas of the applied sphere of human activity, however, it can also be based on intelligent systems. The development of coal deposits is an ideal environment for the application of intelligent systems based on the principles and models of artificial intelligence, since finding mineral deposits is sometimes not possible to direct programming algorithms. Since such cases are the rule rather than the exception, then against the background of simple programs, deep learning algorithms not only allow you to get a solution faster, but also optimize the process itself at the decision-making stage. This article will present an example of automated development of a coal deposit with a graphical environment for reproducing the results. Visualization implemented in the simulation model allows to achieve the correct correlation of graphical and analytical information, as well as to implement flexible integration of the artificial intelligence model with the data of a specific industrial enterprise engaged in mining using an underground mining system.
Ключевые слова: ШАХТА, УГОЛЬНАЯ ОТРАСЛЬ, УГОЛЬНАЯ ПЫЛЬ, ЭЛЕКТРОЭНЕРГИЯ, ОХРАНА ТРУДА, МЕТОД КОНЕЧНЫХ ЭЛЕМЕНТОВ, ТРАВМАТИЗМ, ПРОФЕССИОНАЛЬНЫЙ РИСК,
ПРИЧИННО-СЛЕДСТВЕННЫЕ СВЯЗИ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ГЛУБОКОЕ ОБУЧЕНИЕ, ПРИКЛАДНОЕ ГЛУБОКОЕ ОБУЧЕНИЕ.
Key words: MINE, COAL INDUSTRY, COAL DUST, ELECTRICITY, OCCUPATIONAL SAFETY, FINITE ELEMENT METHOD, INJURIES, OCCUPATIONAL RISK, CAUSAL RELATIONSHIPS, ARTIFICIAL INTELLIGENCE, DEEP LEARNING, APPLIED DEEP LEARNING.
Добыча полезных ископаемых шахтным образом - трудоемкий процесс. Когда подземный промышленный комплекс функционирует и налажен твенный процесс добычи, действия в нем можно сравнить с итерациями цикла в языке программирования: они повторяются по заранее определенной схеме.
Однако эта схема в случае с добывающими шахтными комплексами требует сложной проработки. Ее составление является результатом исследования месторождений полезных ископаемых в окончательном, сформированном специалистами плане.
Появление утвержденного плана обязано множеству затраченных ресурсов - это не только аппаратная, но и административная составляющие.
Организация автоматизированной разработки угольных месторождений шахтным способом - очень ресурсоемкая задача. На уровень качества ее реализации влияет много параметров: начиная от выбора исходного математического аппарата, на основе которого будут вычисляться базовые формулы, и заканчивая человеческими ресурсами. Особенность человеческого труда состоит и в том, что люди могут допустить ошибку, которую очень сложно оперативно исправить.
Существование такой интеллектуальной системы, которая бы позволяла объединить в себе комплексы математического, аналитического, графического и других аппаратов в единой программной оболочке, позволило бы значительно упростить задачи проектирования шахтных комплексов. Кроме этого, внедрение интеллектуальных систем в такие информационные среды позволяет решать не только задачу автоматизации, но и одновременно с ней оптимизировать разрабатываемую систему горных выработок.
Превосходство и эффективность таких систем в сравнении с обычными программируемыми подтверждена в других прикладных сферах: например, в турнирах по шахматам, го, покеру, где ключевую роль оптимизации играет не только умение применять математические законы на практике, но и глубина расчетов [1]. В поединках между стандартными информационными
программами и интеллектуальными системами лидерство стабильно одерживают вторые [2].
Цель представленной в рамках данной статьи сети искусственного интеллекта - имитировать действия подразделений шахтной бригады с учетом запасов полезных ископаемых, находящихся под поверхностью участка разработки (обозначим такую поверхность «рабочей доской» или сокращенно «доской»).
Архитектура разрабатываемой интеллектуальной модели схожа с той, которую использовала команда HandyRL в Hungry Goose, решавшая задачу другой прикладной области знаний [3].
Количество необходимых, первоначально задаваемых параметров определяются пользователем. Например, это могут быть:
• Тип самостоятельной единицы специальной техники.
• Количество самостоятельных единиц специальной техники каждого типа.
• Грузоподъемность каждой единицы.
• Число сотрудников в подразделении.
• Уровень запасов полезного ископаемого (предполагаемый).
После этого интеллектуальная система первоначально преобразует исходные параметры, отформатировав их в 32 канала и слой свертки. Далее это переводится в 12 слоев внутри сверточной нейронной сети с фильтрами 3x3, пропускными соединениями и пакетной нормализацией [5 - 7].
Во всех слоях размеры рабочей доски остаются постоянными, и прогнозирование выполняется для объектов в координате единицы измерения/города с полностью подключенным слоем. Предусмотрено пять возможных действий, по одному для каждого из четырех направлений и одно для собственного проектирования шахтного комплекса.
Интеграция основы программной схемы организации модели искусственного интеллекта представлена в виде листинга программного кода на высокоуровневом языке программирования Python [4] на рисунке 1.
Основанная модель позволяет загрузить среду очень качественной графической прори-
def inpjt_p™ce&singiobsJ i" 1 * _ i r;):
widthj height ■ obs [ h ), obsf'height'i
*_shift - (33 - uidth) П 1 у shift » {53 ■ height) // 2 cities- ■ {>
b ш rip*гего&({2е, 32 j $2), dtype»np.float32) for update in obs['updates'j; stes - update. if>lit{' ') input_id#ntifier - stnsje} if input_identifier «■ 'u':
к - int(strs[4]) t x_shift у - int(strs[SJ) i y_shift uaod - int{strs[7J) coal • int(strs[в)) uranium - int(strs[9])
if unit_id ШШ <:'■-<,[ >
ff Текущая позиция и размер полезного груза залежей Ь[:г, к, у] ■ (1, (uocd + (oal t- uranium) / lee) else:
в Единица/ измерения
team . int(strs[2])
cooldoun - flostistrs[6)}
ids * 2 + (team - ohs['player')) t г 1 3
b(idk:idx t Э, ж, y] * (I, cooldoun / b, (wood t- coal * uranium) / les) elif inpift_identifier -= 4t": team . int(itrs[lj) city_id - strs[2] X = int(strs[3]) 1- it_shift у ■ int(strst4J) t y_5hift idx - S + («sin - obsCplayer1]) * 2 • 2 b(idi:idn + 2, и, y] . (l, cities[city_id]) elif input_identifier « V: - Ресурсы retype ■ 5trs[l]
int<StrS[2]> + x_ihift у - int(strs[3]j 4- y_shift ami - int(float<str5Ei)))
{ ' wood': 12 j 'coal': 13/ 'urariiuB': у [ retype] J x, y] - ante / see elif input^identifier -■ "rp":
" Исследовательские тонка входа (при наличии определениях наработок 4 для улучшение работы системы)
team - intistrsfl]} Гр = lnt(Stl-S[2j)
b(is + (team obs|'player')> * 2, :) . miri(rp, 2«S) / 296 elif input_identifier -= 'c': city_id . strs[2] fuel"- float(strs[3J) lightupkeep = flojt(strs[4])
citi«(city_id] - min(fuel t lightjpkeep, 1в) I 1«
# Дневная/Ночная смена для подсчета эконометрики Ь[17, :] - obs["step'3 % ле f le
# Побораль' при разработке (настраиваемый опциональный критерий) b[18, :) - obs('sts>p'j ! J69
f Размер KapiBtn
b[19, K_shift:32 - x_shift, y_shift:32 - y_shiftj . 1 return b
Рисунок 1. Листинг главной функции организации свертки в нейронной сети иммитационной модели Figure 1. Listing of the main function of the convolution organization in the neural network of the simulation model
Рисунок 2. Определение месторождений полезных ископаемых и их нанесение на слои карты Figure 2. Determination of mineral deposits and their application to map layers
94
(6,0) Genetal
rtlS o.ûjt.o
'J' С * О ^
Î ^ *
ШИ
Рисунок 3. Представление ночной смены графическим интерфейсом среды иммитационной модели Figure 3. Representation of the night shift by the graphical interface of the simulation model environment
Рисунок 4. Уменьшение запасов полезного ископаемого (параметр coal пребывает в коэффициенте x83 по
сравнению с x418 и x413 рисунков 2 и 3 соответственно) Figure 4. Reduction of mineral reserves (the cool parameter is in the coefficient x83 compared to x418 and x413 Figures
2 and 3, respectively)
Map Resource Collection
9?.ООН 106.67%
3732% №014
City Growth
Рисунок 5. Итоговая статистика производительности команд и суммарный объем добычи полезных ископаемых (с соотнесением долей на каждую бригаду рабочих) Figure 5. The final statistics of the teams' productivity and the total volume of mineral extraction (with the correlation of
the shares for each team of workers)
научно-технический журнал №1-2023 ^^^
вестник 95
совки (рисунок 2 - 5), в которой уже присутствует видеоряд для удобного анализирования временных, финансовых и других затрат на создание комплекса. Кроме того, создание комплекса максимально оптимизировано под местонахождение пластов полезных ископаемых, что позволяет в значительной степени снижать уровень множества затрат одновременно.
Графическая визуализация встроенной в
СПИСОК ЛИТЕРАТУРЫ
иммитационную модель параметров позволяет не только адаптивно подстраивать нужные режимы (дневная/ночная смена, отрисовка запасов угля на каждом слое и так далее), но и позволяет использовать результаты функционирования интеллектуальной системы в качестве презентационного материала деятельности шахтного комплекса.
1. Michael Nielsen. Neural Networks and Deep Learning. - Apress. 2019. - 224 c.
2. Проект команды HandyRL [Электронный ресурс]. - Режим доступа: https://vc.ru/flood/39184-istoriya-sorevnovaniy-ii-i-cheloveka-kto-kogo
3. Проект команды HandyRL [Электронный ресурс]. - Режим доступа: https://www.kaggle.com/code/yuricat/smart-geese-trained-by-reinforcement-learning/notebook
4. Отличия низко- средне- и высокоуровневых языков программирования друг от друга [Электронный ресурс]. -Режим доступа: https://techrocks.ru/2018/11/07/low-middle-high-level-programming-languages/
5. Samir Madhavan. Mastering Python for Data Science - Packt Publishing. 2018. - 276 c.
6. Dmitry Zinovier. Complex Network Analysis in Python - The Pragmatic Bookshelf. 2018. - 219 c.
7. David Kopec. Classic Computer Science Problems in Python. - Manning Shelter Island. 2019. - 201 c.
REFERENCES
1. Michael Nielsen. Neural Networks and Deep Learning. - Apress. 2019. - 224 c.
2. The project of the Hander team [Electronic resource]. - Access mode: https://vc.ru/flood/39184-istoriya-sorevnovaniy-ii-i-cheloveka-kto-kogo
3. HandyRL Team Project [Electronic resource]. - Access mode: https://www.kaggle.com/code/yuricat/smart-geese-trained-by-reinforcement-learning/notebook
4. Differences between low-medium- and high-level programming languages from each other [Electronic resource]. - Access mode: https://techrocks.ru/2018/11/07/low-middle-high-level-programming-languages/
5. Samir Madhavan. Mastering Python for Data Science - Packt Publishing. 2018. - 276 c.
6. Dmitry Zinoviev. Complex Network Analysis in Python - The Pragmatic Bookshelf. 2018. - 219 c.
7. Kapets presses. Classic Computer Science Problems in Python. - Manning Shelter Island. 2019. - 201 c.
96
научно-технический журнал №1-2023
вестник
