CC BY
20
ГИАБ. Горный информационно-аналитический бюллетень / MIAB. Mining Informational and Analytical Bulletin, 2022;(3):97-107 ОРИГИНАЛЬНАЯ СТАТЬЯ / ORIGINAL PAPER
УДК 303.732.4, 622.33, 004.021, 005.12 DOI: 10.25018/0236_1493_2022_3_0_97
РАЗРАБОТКА ПЛАНОВ-ПРОГНОЗОВ НА ОСНОВЕ ТЕХНИКО-ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ГОРНОДОБЫВАЮЩИХ ПРЕДПРИЯТИЙ
И.С. Бондаренко
НИТУ «МИСиС», Москва, Россия, e-mail: [email protected]
Аннотация: В настоящее время в горнодобывающей промышленности имеется довольно большой опыт в области модельно-теоретических разработок по созданию системы оптимального планирования в отрасли и практическому составлению оптимальных планов для различных звеньев управления и периодов планирования. Рассмотрен один из возможных путей реализации плана-прогноза на примере угольного сектора, где в основе лежит не общепринятый подход оптимизации планов добычи полезного ископаемого, а в большей степени рассмотрены вопросы оптимизации планов их переработки. Также предпринята попытка уйти от популярной комплексной постановки задачи, чтобы при разработке методики оптимизации исключить влияние сложных технологических связей между добычей и переработкой полезного ископаемого. В предлагаемом решении учтено требование удовлетворения потребностей в добываемом сырье не только по объемам, но и по номенклатуре продуктов обогащения, что также обусловливает иную, чем в ранее выполненных работах, постановку задачи. Автором разработана экономико-математическая модель решения комплексной задачи оптимизации планов добычи и переработки полезного ископаемого и протестирована на базовой выборке показателей ряда горнодобывающих предприятий. Кроме того, рассмотрены области эффективного использования оптимизационных расчетов при решении плановых задач, требующие автоматизированного подхода в решении.
Ключевые слова: методы оптимизации, математическая модель, планирование, прогнозирование, горнодобывающая промышленность, управление предприятием, автоматизация, система управления.
Для цитирования: Бондаренко И. С. Разработка планов-прогнозов на основе технико-экономических показателей горнодобывающих предприятий // Горный информационно-аналитический бюллетень. - 2022. - № 3. - С. 97-107. DOI: 10.25018/0236_1493_2022_3_0_97.
Elaboration of plans-forecasts based on engineering-and-economic performance of mines
I.S. Bondarenko
National University of Science and Technology «MISiS», Moscow, Russia, e-mail: [email protected]
Abstract: The mining industry has currently accumulated extensive experience in theoretical and applied modeling and optimal planning of different management chains and planning horizons. This article addresses one of potential routes of plan-forecast implementation as a case-study of the coal sector. Here, we deal not with the common approach to optimization of mining
© И.С. Бондаренко. 2022.
plans but mostly consider mineral processing planning optimization. Furthermore, it is intended to avoid the popular integrated problem formulation in order to eliminate the impact of complex technology-governed connections between mineral mining and processing during optimization. The proposed solution takes into account the required satisfaction of wants, which means not only the volume of mineral produced but also the range of the mineral processing products, and this conditions another formulation of the problem as compared with the earlier studies. The authors have developed the economic and mathematical model for solving an integrated problem of mineral mining and processing planning optimization. The model is tested using a base sampling of performance data of a few mines. The article also discusses ranges of effective application of automated planning optimization.
Key words: optimization methods, mathematical model, planning, forecasting, mining industry, management, automation, control.
For citation: Bondarenko I. S. Elaboration of plans-forecasts based on engineering-and-eco-nomic performance of mines. MIAB. Mining Inf. Anal. Bull. 2022;(3):97-107. [In Russ]. DOI: 10.25018/0236_1493_2022_3_0_97.
Введение
В России развитие горнодобывающей промышленности насчитывает не одно столетие, она является одной из старейших отраслей [1]. Горнодобывающая отрасль обеспечивает сырьем практически все отрасли народного хозяйства: машиностроение; строительство; сельское хозяйство; химическую промышленность и другие. В связи с ростом населения и увеличением потребления наблюдается интенсификация извлечения полезного ископаемого, что связано с ускоренным развитием горной отрасли. Однако в настоящее время наблюдается истощение ресурсов с благоприятными условиями залегания, а содержание полезного компонента в добываемом сырье снижается. Поэтому развитие горнодобывающей отрасли идет по следующим направлениям: переход на большие глубины; отработка запасов, ранее считавшихся забалансовыми; извлечение руды с низким содержанием полезного компонента. Все эти факторы предопределяют актуальность следующих вопросов: управление напряженно-деформационным состоянием массива в сложных горно-геологиче-
ских условиях и на больших глубинах [2]; повышение безопасности при ведении подземных горных работ на больших глубинах [3]; применение техногенных отходов в замкнутом цикле производства для снижения нагрузки на окружающую среду [4] с учетом ресурсосберегающих технологий [5].
Для обеспечения баланса между горнодобывающей промышленностью и отраслями, потребляющими их продукцию [6], необходимо разработать научную базу, которая будет учитывать все особенности производства и подготовки сырья, начиная от добычи и заканчивая обогащением. Разрабатываемая научная база обязана сочетать в себе все принципы комплексного развития [7].
Разработка плана предшествует формированию научной базы планирования, которая строится на основе анализа динамики основных технико-экономических показателей и вычисления характера их изменения в планируемом периоде [8]. На этой стадии осуществляется прогнозирование основных показателей, которое является начальным этапом планирования, где раскрываются возможные
тенденции социально-экономических процессов, вырабатываются альтернативные решения, накапливается научный материал для выбора той или иной концепции плана.
Прогнозирование в системе оптимального планирования выполняет две основные функции. Во-первых, результаты прогнозирования как бы очерчивают область оптимальных решений и устанавливают границы изменения оптимизируемых показателей, во-вторых, прогнозируемые значения показателей могут служить информационной базой для оптимизационных расчетов. Особенно актуальным в настоящее время является использование при проведении оптимизационных расчетов планов-прогнозов, которые взаимоувязывают результаты прогнозирования отдельных показателей в комплексное решение.
Разработка планов-прогнозов
Разработка планов-прогнозов включает два этапа. На первом этапе осуществляется собственно прогнозирование показателей и определение доверительных интервалов их изменения. На втором этапе полученные показатели используются в качестве исходной информации для оптимизационной модели, на основе которой строится план-прогноз, формирующий область будущих оптимальных решений.
Прогнозирование технико-экономических показателей базируется на исследовании ретроспективы развития системы и расчете на этой основе ее наиболее вероятного состояния в планируемом периоде [9]. Исходной базой прогнозирования являются временные ряды.
Прогноз объемов добычи, производительности труда, себестоимости и зольности угля группы горнодобывающих предприятий, необходимых при оптимизационных расчетах плана на 2022, 2023 гг., осуществлялся на основе отк-
рытых статистических данных с 2017 до 2021 г. Такой период ретроспективы позволяет достаточно верно выявить закономерности развития показателей работы компаний.
Опыт использования различных математических методов прогнозирования в горнодобывающей промышленности и других отраслях [10, 11] показал, что чаще всего для описания динамики технико-экономических показателей применяется метод экспоненциального сглаживания [12], суть которого состоит в следующем.
Пусть имеется временной ряд, состоящий из наблюдений над величиной У в моменты времени Г = 0, 1, 2, ..., Т. Требуется найти значения Ут+р в следующие моменты времени Г = Т + 1, Т + 2, ..., Т + р при условии, что каждому наблюдателю придается соответствующий вес (более поздним наблюдениям присваиваются большие веса, чем более ранним).
Прогноз в точке (Т + р) определяется по формуле:
Yт+р = (((1) - Бт(2) ) + ((1) - Бт(2) ))-
- % (Р + т) где 5т(1) и 5т(2) — так называемые экспоненциальные средние 1-го и 2-го порядка; а — коэффициент сглаживания
(0 < а < 1);Р = 1 - а .
Практика показывает, что диапазон значений а лежит в пределах 0,1 — 0,3. Чем больше значение а, тем меньше «доверия» прошлой информации.
Величины 5т рассчитываются следующим образом:
$т(1) = ^ +Р5Т1»; БГ111 = аУт + Р5™;
Б?1 = aY1 + Р5<1), где Б01> =
+ PS<:
Sj} =aST
S(2) = aS(1) +BS(2) -"r-1 "-"r-1 T H -"r-2
S<2> = aS? + Ps<2>, где S01» = S'1». Ошибка прогноза при этом составляет:
YT+p Е
I (2 - a)) [1 + Р(4 + 5Р) + 2ap(4 - 3a + ap)\
где
ov =
Z - p' (-■ - -)
Ут_{ — прогнозируемое значение в точке (г-г).
Следовательно, значение прогноза в точке (Т-Г) будет лежать в интервале
YT+Р
< YT+p < YT+ p + CTY
t+p T+P T+ p YT+
В этой точке оценивается как математическое ожидание процесса (точнее, прогноз), так и интервал, в который с заданной вероятностью попадают будущие характеристики процесса (интервальный прогноз).
Процесс прогнозирования
Процесс прогнозирования заключается в решении последовательных задач: сбора и подготовки исходных данных (статистики); выбора и обоснования математической модели прогнозируемого объекта; обработки статистических данных для определения неизвестных параметров модели и получения зависимости, связывающей прогнозируемые характеристики объекта со временем и рядом известных параметров; прогнозирования основных технико-экономических показателей и темпов их изменения в планируемом периоде; разработки математической модели и оптимизации плана-прогноза; анализа результатов оптимизации и корректировки данных для
формирования исходной базы проекта плана-прогноза [13].
Рассмотрим роль и место каждой задачи в общем процессе прогнозирования.
Сбор и подготовка исходных данных являются основой процесса прогнозирования, так как сюда включаются не только результаты статистической обработки временных рядов, но и выбор круга показателей, которые в достаточно полной мере могли бы отражать процесс развития исследуемого объекта [14]. Поскольку структура шахтного фонда весьма разнородна, характер функционирования компаний, находящихся в стадии развития, резко отличается от характера функционирования затухающих компаний или компаний в стадии нормальной эксплуатации [15]. Поэтому для соблюдения принципа статистической однородности при прогнозировании целесообразно агрегирование горнодобывающих компаний в следующие группы:
• стабильные — шахты (разрезы), которые в рассматриваемый период ретроспективы работали стабильно, увеличивая добычу угля за счет организационно-технических мероприятий или временно снижая ее за счет ухудшения горно-геологических условий;
• новые — шахты (разрезы), которые вводятся в эксплуатацию в период ретроспективы;
• реконструируемые — шахты (разрезы), которые в период ретроспективы находятся на реконструкции;
• выбывающие — шахты (разрезы), выбывающие из эксплуатации в планируемом периоде. По группе выбывающих компаний прогноз показателей не проводится [16].
Результаты
В процессе проведения оптимизационных расчетов проекта основных направлений развития угольной компании
а
было осуществлено прогнозирование основных технико-экономических показателей на период до 2026 г. для выбранной группы компаний.
В качестве основных технико-экономических показателей работы этих компаний при прогнозировании были приняты производственная мощность и объемы добычи угля, среднемесячная производительность труда рабочего по добыче угля, себестоимость 1 т угля и его зольность.
Анализ результатов прогноза дал возможность качественной оценки динамики основных показателей в планируемом периоде.
Добыча угля. По 18 исследуемым компаниям согласно прогнозу выявлена тенденция к снижению добычи угля за счет ухудшения горно-геологических условий и большого числа выбывающих предприятий. Остальные компании имеют возможность увеличить объемы добычи.
Прирост добычи угля в целом за 2022, 2023 гг. по группам предприятий составит: по стабильной группе — 0,1%, по группе вновь вводимых предприятий — 23%, по группе реконструируемых предприятий — 9,1%.
Производительность труда. Результаты прогнозирования производительности труда и доверительные интервалы возможного изменения среднемесячной производительности труда по всем компаниям и по их группам показывают, что тенденция к снижению производительности труда наблюдается в 14 компаниях. Остальные компании имеют возможность роста производительности труда, причем на открытых работах весьма значительного. В целом, у всех компаний прирост производительности труда рабочего по добыче за 2022, 2023 гг. составит по группам: стабильной — 0,32%, новой — 2,1%, реконструируемой — 7,9%.
Себестоимость добычи 1 т угля. Результаты прогноза себестоимости, а также доверительные интервалы возможного изменения ее по всем компаниям и по группам предприятий показывают, что в целом ожидается увеличение себестоимости добычи угля. Это можно объяснить объективными причинами: увеличением глубины разработок, истощением запасов угля, увеличением эксплуатационных затрат на поддержание выработок и др. Снижение себестоимости планируется лишь в пяти компаниях.
Зольность добываемого угля. Получены значения точечного прогноза зольности для всех компаний и рассчитаны доверительные интервалы возможного изменения этого показателя. Результаты прогнозирования позволяют сделать выводы о том, что снижение зольности угля можно ожидать у 20% компаний, у 58% она может остаться на том же уровне. У 22% компаний зольность угля имеет тенденцию к увеличению.
Разработка математической модели плана-прогноза и ее оптимизация являются необходимым этапом взаимоувязки всех полученных на основе прогнозирования показателей в единую систему.
При разработке модели плана-прогноза ставятся следующие основные задачи:
• взаимоувязка полученных в результате статистического прогнозирования значений основных технико-экономических показателей работы предприятий в оптимизационной модели;
• расчет основных показателей работы компаний по добыче угля с учетом выполнения установленных показателей в целом;
• расчет минимальных капитальных вложений, обеспечивающих необходимую добычу угля в каждом году.
В отличие от модели общего плана развития, в модель плана-прогноза до-
статочно включить лишь основные ограничения по потребности в углях, производственным возможностям компаний, себестоимости 1 т угля, трудоемкости и зольности угля, и нет особой необходимости разрабатывать подробную модель, отражающую все стороны деятельности компаний [17].
Такая укрупненная модель прогноза является мобильной и позволяет в короткое время просчитать несколько вариантов [18], а также гибко и оперативно реагировать на коррективы, вносимые в исходные данные [19].
В качестве критерия оптимальности можно использовать минимум капитальных вложений, минимум эксплуатационных расходов, максимум добычи, максимум производительности труда и др. [20]. В предлагаемой модели плана-прогноза используется критерий минимума капитальных вложений.
Модель плана-прогноза записывается следующим образом.
Индексы / — компания; у — группа предприятий; г — год.
Правые части ограничений Dt — объем добычи угля, установленный для компаний в г-м году;
М.л — максимально возможная производственная мощность ¿-й компании в 1-м году;
С — ожидаемое значение отраслевой себестоимости добычи 1 т угля;
Р — ожидаемое значение отраслевой производительности труда промышлен-но-производственного персонала в г-м году;
— ожидаемое значение средней отраслевой зольности угля в году.
Неизвестные х.4 — добыча угля в ¿-й компании в г-м году.
Коэффициенты в ограничениях и целевой функции
с — себестоимость в ¿-й компании в г-м году;
р.л — производительность труда рабочего по добыче угля в ¿-й компании в г-м году;
г — зольность угля в ¿-й компании в г-м году;
к.л — удельные капитальные вложения в ¿-й компании в г-м году, которые рассчитываются по формуле:
к =
Ет.к+ ^ Ат.к".
¿=1 Ч Ч ¿—¡1=1 ч<- ч<-
г = 1, 2, ..., Т,
где т.л — производительная мощность ¿-й компании в г-м году; к'.л — удельные капитальные вложения на поддержание добычи в ¿-й компании в г-м году; Ат. — прирост добычи в ¿-й компании в г-м году; к" — удельные капитальные вложения на развитие производственных мощностей в ¿-й компании по у-й группе шахт в г-м году.
Экономико-математическая модель включает следующие ограничения:
• Объем добычи всех компаний в каждом году должен быть не ниже установленного:
Xх, < Dt; г = 1,2. (1)
• Добыча угля в каждой компании не должна превышать технических возможностей входящих в нее предприятий
X, < М,; I = 1...../; г = 1,2. (2)
• Себестоимость 1 т угля должна быть не выше заданной в целом величины
сл ^ сЕх,; *=1>2. (3)
• Трудовые затраты не должны превышать заданного значения
Е,'=!р"1 ** * Р11X; г = 1,2. (4)
• Зольность угля не должна превышать средней по предприятиям величины
по экспертным оценкам специалистов компании за период не менее полугода-года до начала реализации плана-прогноза. Левые части этих ограничений — прогнозируемые значения объемов добычи, себестоимости, производительности труда и зольности угля по компаниям.
Правые части ограничений (2) представляют собой средние значения прогнозируемых объемов добычи угля по каждой компании с учетом возможного прироста мощности.
Результаты оптимизационных расчетов на 2022 и 2023 гг. плана-прогноза для выборки угольных компаний
Plan-forecast optimization results for sampled coal mining companies for 2022-2023
№ Индекс компании в реестре 2022 г. 2023 г.
добыча угля, млн т двойственная оценка тип решения добыча угля, млн т двойственная оценка тип решения
1 0017 9,56 0,98 В 9,78 6,24 В
2 0018 5,44 1,11 В 4,05 6,37 В
3 0021 72,20 1,03 В 75,38 6,29 В
4 0035 15,20 0,96 В 15,68 6,22 В
5 0036 16,10 0,78 В 15,34 6,04 В
6 0038 5,94 1,66 Н 6,42 3,60 В
7 0039 3,19 2,09 Н 3,65 3,17 В
8 0040 30,01 1,33 Н 33,10 3,93 В
9 0042 18,17 1,06 Н 18,41 4,20 В
10 0043 1,56 3,29 Н 1,58 1,97 В
11 0060 2,71 1,29 Н 2,92 3,97 В
12 0061 39,84 1,07 В 41,21 6,33 В
13 0062 49,94 0,65 В 53,83 5,91 В
14 0071 11,21 0,47 Н 11,49 4,79 В
15 0089 50,25 1,15 Н 54,18 4,11 В
16 0090 53,19 0 П 57,10 5,26 В
17 0091 11,64 0,12 Н 13,09 5,14 В
18 0101 9,48 5,26 Н 10,35 0 П
19
20 0578 26,63 0,47 Н 29,68 4,79 В
Примечание: «В» — решения, в которых добыча соответствует верхней границе ограничений, «Н» — нижней границе, «П» — промежуточные значения.
Ег=1г*х* * *х,; '=1>2. (5)
В качестве критерия оптимальности модели плана-прогноза целесообразно принимать минимум капитальных затрат по отрасли в целом за все годы прогнозируемого периода
2=12=1 ^ (6) Правые части ограничений (1), (3) — (5) представляют собой ожидаемые в целом по компаниям показатели, заданные
Завершающим этапом процесса прогнозирования является анализ результатов оптимизации прогнозной модели.
Главным инструментом экономико-математического анализа является система двойственных оценок оптимального плана. Оценки оптимального плана имеют ту же природу, что и целевая функция, и позволяют определить, как то или иное условие влияет на величину критерия оптимальности, и наметить меры для использования действия этих условий в нужном направлении.
В таблице приведены результаты оптимизационных расчетов плана-прогноза добычи на 2022 и 2023 гг. и даны двойственные оценки оптимального решения. В данном случае абсолютное значение двойственной оценки показывает, в каком соотношении будут меняться суммарные капитальные затраты при изменении на единицу объема добычи в каждой компании. При этом, если добыча соответствует верхнему пределу ее изменения, то это свидетельствует об экономии капитальных затрат при увеличении добычи; если объем добычи в компании, вошедший в оптимальный план, равен нижней границе, то рост добычи приведет к дополнительным капитальным затратам. Таким образом, анализ двойственных оценок оптимального плана дает возможность ранжировать компании по степени их влияния на выбранный критерий оптимальности с точки зрения анализируемого показателя. Это позволяет оценивать, как влияют возможные отклонения добычи от ее оптимального значения на уровень капитальных затрат в процессе формирова-
ния проекта плана по отрасли. Так, из анализа распределения добычи угля по компаниям можно видеть, что в 2022 г. в компании под регистрационным номером 0090 двойственная оценка равна нулю. Это означает, что оптимальная добыча угля в этой компании имеет промежуточное значение между нижней и верхней границами ограничений и, следовательно, колебания добычи в этих пределах не влияют на суммарные капитальные затраты.
Компания под регистрационным номером 0101, добыча в которой находится на нижнем пределе ограничения, имеет наибольшую двойственную оценку. Рост добычи угля по этой компании приведет к увеличению капитальных затрат.
Заключение
Анализ распределения добычи в 2023 г. показывает, что добыча всех компаний находится на верхнем пределе ограничений, кроме компании под регистрационным номером 0101 (двойственная оценка равна нулю), причем первые 5 компаний имеют наибольшие двойственные оценки. Таким образом, к дополнительной экономии капитальных затрат может привести увеличение добычи угля в компаниях преимущественно с открытым способом добычи (0017, 0018, 0021, 0035, 0036).
Следует отметить, что разработка такой комплексной системы прогнозирования и использование ее в процессе оптимизационных расчетов планов-прогнозов позволяет сформировать достаточно обоснованную научную базу для оптимального планирования.
СПИСОК ЛИТЕРАТУРЫ
1. Myaskov A., Temkin I., Deryabin S, Marinova D. Factors and objectives of sustainable development at the implementation of digital technologies and automated systems in the mining industry // E3S Web of Conferences. 2020, vol. 174, article 04023. DOI: 10.1051/e3s-conf/202017404023.
2. Хайрутдинов А. М., Конгар-Сюрюн Ч. Б., Kowalik Т., Тюляева Ю. С. Управление напряженно-деформационным состоянием массива горных пород путем формирования разнопрочностной закладки // Горный информационно-аналитический бюллетень. -2020. - № 10. - С. 42-55. DOI: 10.25018/0236-1493-2020-10-0-42-55.
3. Krasyukova E, Aynbinder I., Ivannikov A. A rational approach to the management of underground mining in complex hydrogeological and geomechanical conditions based on a risk assessment // IOP Conference Series: Earth and Environmental Science. 2021, vol. 684, article 012006. DOI: 10.1088/1755-1315/684/1/012006.
4. Хайрутдинов М. М., Конгар-Сюрюн Ч. Б., Хайрутдинов А. М., Тюляева Ю. С. Повышение безопасности при извлечении водорастворимых руд путем оптимизации параметров закладочного массива // Безопасность труда в промышленности. - 2021. - № 1. -С. 53-59. DOI: 10.24000/0409-2961-2021-01-53-59.
5. Vinnikov V. A., Silberschmidt M. G., Bocharov V. A., Ignatkina V. A., Gzogyan T. N. Environmental resource - economized processes of recycling mineral raw materials of complex composition // Environment. Technology. Resources. Proceedings of the 9th International Scientific and Practical Conference. 2013, vol. 1, pp. 209-215. DOI: 10.17770/etr2013vol1.837.
6. EvsukovS. G., SigarevA. V., Ustyuzhanina E. V, Zaytseva E. V. Comparative analysis of pricing policies in the market for network goods // Journal of Internet Banking and Commerce-this. 2016, vol. 21, special issue 6.
7. Kongar-Syuryun Ch., Ivannikov A., Khayrutdinov A., Tyulyaeva Y. Geotechnology using composite materials from man-made waste is a paradigm of sustainable development // Materials Today: Proceedings. 2020, vol. 38, no. 2, pp. 2078-2082. DOI: 10.1016/j.matpr.2020. 10.145.
8. Темкин И. О., Мясков А. В., Конов И. С., Дерябин С. А. О методах построения и функционировании цифровой платформы управления транспортно-технологическими процессами в карьерах // Горный журнал. - 2019. - № 11. - С. 82-86. DOI: 10.17580/gzh.2019.11.15.
9. SychevA. E., Zaytseva E. V., Tolkachyov P. S. Economic digitalization: contradictions and prospects / Socio-economic Systems: Paradigms for the Future. Studies in Systems, Decision and Control, Springer, Cham. 2021, vol. 314, pp. 353-359. DOI: 10.1007/978-3-030-56433-9_37.
10. Гончаренко С. Н., Ле Бинь Зыонг, Петров И. В., Стоянова И. А. Моделирование параметров инновационных водоохранных мероприятий на основе производственно-технологических показателей добычи угля на предприятиях Вьетнама // Горный журнал. -2014. - № 9. - С. 143-146.
11. Le Dinh H., Temkin I. O. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems // 2018 IEEE 7th International Conference on Communications and Electronics (ICCE). 2018, vol. 2018, pp. 196-201, article 8465728. DOI: 10.1109/ CCE.2018.8465728.
12. Астахов А. С., Гойзман Э. И., Ерохина М. К. и др. Принципы создания системы оптимального планирования производства в угольной промышленности. Модели оптимизации, их методическое и математическое обеспечение // Научные труды ЦНИЭИу-голь. - 1975. - № 22. - С. 3-73.
13. Куприянов В. В., Бондаренко И. С. Применение нечеткой логики для оценки достоверности моделей краткосрочного прогноза состояния горношахтного оборудования // Горный журнал. - 2021. - № 5. - С. 75-79. DOI: 10.17580/gzh.2021.05.08.
14. Drusa M, Lamich D., Vlcek J., Heviankova S, Kyncl M., Marschalko M., Yilmaz I., Bouchal T., Bendova M, Kubeckova D., Krcmar D., Bednarik M. Verification of the results of the geotechnical monitoring using finite element method // 13rd International Multidisciplinary Scientific GeoConference SGEM 2013. 2013, vol. 2, pp. 533-540. DOI: 10.5593/SGEM2013/ BA1.V2/S02.070.
15. Крупская Л. Т., Орлов А. М., Голубев Д. А., Колобанов К. А., Филатова М. А. Оценка экологической опасности накопленных отходов переработки минерального сырья за-
крытых горных предприятий в Приамурье и Приморье // Горные науки и технологии. -2020. - № 5(3). - С. 208-223. DOI: 10.17073/2500-0632-2020-3-208-223.
16. Галиева Н. В., Паршин Н. О. Разработка перспективного производственного плана развития по улучшению экономического и финансового состояния предприятия нерудных строительных материалов // Горные науки и технологии. - 2016. - № 3. - С. 45-54. DOI: 10.17073/2500-0632-2016-3-45-52.
17. Проценко А. В., Байров Ж. Б., Федотов Г. С., Зартенова Л. Г. Использование экономических показателей в методике среднесрочного планирования горных работ в горно-геологической информационной системе Micromine // Горные науки и технологии. -2018. - № 2. - С. 60-69. DOI: 10.17073/2500-0632-2018-2-60-67.
18. VostrikovA. V, Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry // Eurasian Mining. 2019, vol. 2, pp. 30-35. DOI: 10.17580/ em.2019.02.07.
19. Trofimov V. B. An approach to intelligent control of complex industrial processes: an example of ferrous metal industry // Automation and Remote Control. 2020, vol. 81, no. 10, pp. 1856-1864. DOI: 10.1134/50005117920100057.
20. Morshedlu A., Dehghani H., Hosseini S. H. Data-based decision-making approach to improve the efficiency of long-length rock extraction // Mining Science. 2019, no. 26, pp. 7-20. DOI: 10.37190/msc192601. EES
REFERENCES
1. Myaskov A., Temkin I., Deryabin S., Marinova D. Factors and objectives of sustainable development at the implementation of digital technologies and automated systems in the mining industry. E3S Web of Conferences. 2020, vol. 174, article 04023. DOI: 10.1051/e3sconf/202017404023.
2. Khairutdinov A. M., Kongar-Syuryun Ch. B., Kowalik T., Tyulyaeva Yu. S. Control of the stress-strain state of a rock mass by forming a multi-strength bookmark. MIAB. Mining Inf. Anal. Bull. 2020, no. 10, pp. 42-55. [In Russ]. DOI: 10.25018/0236-1493-2020-10-0-42-55.
3. Krasyukova E., Aynbinder I., Ivannikov A. A rational approach to the management of underground mining in complex hydrogeological and geomechanical conditions based on a risk assessment. IOP Conference Series: Earth and Environmental Science. 2021, vol. 684, article 012006. DOI: 10.1088/1755-1315/684/1/012006.
4. Khairutdinov M. M., Kongar-Suryun Ch. B., Khairutdinov A., Tyulyaeva Yu. S. Improving safety in the extraction of water-soluble ores by optimizing the parameters of the laying array. Occupational Safety in Industry. 2021, no. 1, pp. 53-59. [In Russ]. DOI: 10.24000/0409-29612021-01-53-59.
5. Vinnikov V. A., Silberschmidt M. G., Bocharov V. A., Ignatkina V. A., Gzogyan T. N. Environmental resource - economized processes of recycling mineral raw materials of complex composition. Environment. Technology Resources. Proceedings of the 9th International Scientific and Practical Conference. 2013, vol. 1, pp. 209-215. DOI: 10.17770/etr2013vol1.837.
6. Evsukov S. G., Sigarev A. V., Ustyuzhanina E. V., Zaytseva E. V. Comparative analysis of pricing policies in the market for network goods. Journal of Internet Banking and Commercethis. 2016, vol. 21, special issue 6.
7. Kongar-Syuryun Ch., Ivannikov A., Khayrutdinov A., Tyulyaeva Y. Geotechnology using composite materials from man-made waste is a paradigm of sustainable development. Materials Today: Proceedings. 2020, vol. 38, no. 2, pp. 2078-2082. DOI: 10.1016/j.matpr.2020.10.145.
8. Temkin I. O., Myaskov A. V., Konov I. S., Deryabin S. A. Construction and functioning of a digital platform for transportation management in quarries. Gornyi Zhurnal. 2019, no. 11, pp. 82-86. [In Russ]. DOI: 10.17580/gzh.2019.11.15.
9. Sychev A. E., Zaytseva E. V., Tolkachyov P. S. Economic digitalization: contradictions and prospects. Socio-economic Systems: Paradigms for the Future. Studies in Systems, Decision and Control, Springer, Cham. 2021, vol. 314, pp. 353-359. DOI: 10.1007/978-3-030-56433-9_37.
10. Goncharenko S. N., Duong L. B., Petrov M. V., Stoyanova I. A. Modeling of parameters of innovation water-protection measures on the basis of industrial-technological indices of coal mining at Vietnam enterprises. Gornyi Zhurnal. 2014, no. 9, pp. 143-146. [In Russ].
11. Le Dinh H., Temkin I. O. Application of PSO and bacterial foraging optimization to speed control PMSM servo systems. 2018 IEEE 7th International Conference on Communications and Electronics (ICCE). 2018, vol. 2018, pp. 196-201, article 8465728. DOI: 10.1109/ CCE.2018.8465728.
12. Astakhov A. S., E. I. Goizman, M. K. Erokhina, etc. Principles of creating a system of optimal production planning in the coal industry. Optimization models, their methodological and mathematical support. Nauchnye trudy TsNIEIugol'. 1975, no. 22, pp. 3-73. [In Russ].
13. Kupriyanov V. V., Bondarenko I. S. Fuzzy logic in reliability assessment of short-term forecast models for mining equipment. Gornyi Zhurnal. 2021, no. 5, pp. 75-79. [In Russ]. DOI: 10.17580/gzh.2021.05.08.
14. Drusa M., Lamich D., Vlcek J., Heviankova S., Kyncl M., Marschalko M., Yilmaz I., Bouchal T., Bendova M., Kubeckova D., Krcmar D., Bednarik M. Verification of the results of the geotechnical monitoring using finite element method. 13rd International Multidisciplinary Scientific GeoConference SGEM 2013. 2013, vol. 2, pp. 533-540. DOI: 10.5593/SGEM2013/ BA1.V2/S02.070.
15. Krupskaya L. T., Orlov A. M., Golubev D. A., Kolobanov K. A., Filatova M. A. Assessment of environmental hazard of accumulated mineral processing waste of closed mining enterprises in the Amur river region and Primorye. Mining Science and Technology (Russia). 2020, no. 5(3), pp. 208-223. [In Russ]. DOI: 10.17073/2500-0632-2020-3-208-223.
16. Galieva N. V., Parshin N. O. Development of a long-term production development plan to improve the economic and financial condition of the enterprise of non-metallic building materials. Mining Science and Technology (Russia). 2016, no. 3, pp. 45-54. [In Russ]. DOI: 10.17073/2500-0632-2016-3-45-52.
17. Protsenko A. V., Bayrov Zh. B., Fedotov G. S., Zartenova L. G. The use of economic indicators in the methodology of medium-term planning of mining operations in the mining and geological information system Micromine. Mining Science and Technology (Russia). 2018, no. 2, pp. 60-69. [In Russ]. DOI: 10.17073/2500-0632-2018-2-60-67.
18. Vostrikov A. V., Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry. Eurasian Mining. 2019, vol. 2, pp. 30-35. DOI: 10.17580/ em.2019.02.07.
19. Trofimov V. B. An approach to intelligent control of complex industrial processes: an example of ferrous metal industry. Automation and Remote Control. 2020, vol. 81, no. 10, pp. 1856-1864. DOI: 10.1134/50005117920100057.
20. Morshedlu A., Dehghani H., Hosseini S. H. Data-based decision-making approach to improve the efficiency of long-length rock extraction. Mining Science. 2019, no. 26, pp. 7-20. DOI: 10.37190/msc192601.
ИНФОРМАЦИЯ ОБ АВТОРЕ
Бондаренко Инна Сергеевна - канд. техн. наук, доцент, НИТУ «МИСиС», e-mail: [email protected], ORCID ID: 0000-0002-4160-8413.
INFORMATION ABOUT THE AUTHOR I.S. Bondarenko, Cand. Sci. (Eng.), Assistant Professor,
National University of Science and Technology «MISiS», 119049, Moscow, Russia, e-mail: [email protected], ORCID ID: 0000-0002-4160-8413.
Получена редакцией 24.11.2021; получена после рецензии 29.12.2021; принята к печати 10.02.2022. Received by the editors 24.11.2021; received after the review 29.12.2021; accepted for printing 10.02.2022.
