Модель искусственного интеллекта для потоковой обработки сейсмических сигналов в действующих подземных рудниках Хибин
Журнал: Горные науки и технологии @gornye-nauki-tekhnologii
Рубрика: Цифровые технологии и искусственный интеллект
Статья в выпуске: 3 т.11, 2026 года.
Бесплатный доступ
Обработка данных сейсмичности, возникающей при добыче полезных ископаемых, в режиме времени, близком к реальному, остается сложной задачей, требующей глубокой экспертизы и высокой скорости принятия решений. Современные методы искусственного интеллекта в этой области ориентированы на обнаружение региональных землетрясений и их фаз, в то время как применение к локальной рудничной сейсмичности ограничено. Целью работы являлась разработка многозадачной модели искусственного интеллекта для классификации и обнаружения фаз техногенной сейсмичности Хибинского массива. Предлагаемая модель представляет собой сверточную нейронную сеть с применением механизма внимания для анализа сейсмограмм. Обучение выполнялось на данных сейсмического мониторинга Кировского и Расвумчоррского подземных рудников за 2024–2025 гг. Разработанная модель обеспечивает быструю и полностью автоматическую обработку локальной рудничной сейсмичности в реальном времени. Результаты классификации сейсмограмм показывают устойчивое разделение основных типов сигналов: сейсмических событий, различных технологических взрывов и техногенного шума с точностью от 90 до 98%, при этом средняя мера F1 составила 0,87. При обнаружении фаз, необходимых для дальнейшей локации событий, производительность модели в 2,7 раз выше, чем у эксперта, а точность на 40 % выше показателей традиционного алгоритма обнаружения фаз автоматизированной системы контроля сейсмичности, действующей на Кировском и Расвумчоррском рудниках. Скорость обработки данных позволяет использовать модель в контуре оперативного сейсмического мониторинга. Практическое применение модели позволит снизить затраты на обработку данных, ускорит принятие решений в условиях сейсмического риска и снизит нагрузку на соответствующий персонал.
Короткий адрес: https://sciup.org/140316771
IDS: 140316771 | УДК: 622.83:550.34 | DOI: 10.17073/2500-0632-2026-05-1208
Deep learning model for stream processing of seismic signals in operating underground mines of the Khibiny Massif
Stream processing of seismic data in active mining environments remains a significant challenge, requiring robust domain expertise and rapid decision-making. Current deep learning methods primarily focus on detecting regional earthquakes and their phases, whereas their application to the local mining-induced seismicity is still constrained. The research aims to design a multi-task deep learning model for classification and phase picking of mining-induced seismic events at the Khibiny Massif. The proposed model is a self-attention convolutional neural network designed for seismogram analysis. The model was trained on seismic monitoring data collected at the Kirovsky and Rasvumchorrsky underground mines in 2024-2025. The design model provides rapid, fully automated and real-time processing of local mining-induced seismicity. The resulting seismogram classification displays clear differentiation between major signal types, i.e., seismic events, various mine blasts, and industrial noise, with per-class recall ranging from 90% to 98% and a mean F1-score of 0.87. The model picks 2.7 times as many phase arrivals as the expert for subsequent event location. Compared to a conventional automated phase-detection algorithm deployed in the seismic monitoring system at the Kirovsky and Rasvumchorrsky mines, the model’s 95th percentile absolute P-wave arrival-time error is approximately 40% lower. The data throughput enables integration of the model into the operational seismic monitoring loop. Incorporating the model into production will reduce data processing costs, accelerate decision-making under seismic risk conditions, and ease the workload on relevant personnel.
