Интерпретируемая модель IGWO-MKRVM для прогнозирования толщины зоны повреждений при выработке

Почему безопасные туннели важны

Когда инженеры прокладывают туннель в породе, выемка нарушает окружающий грунт. Вокруг прохода образуется кольцо расколотой и ослабленной породы, известное как зона повреждений при выработке. Если это повреждённое кольцо станет слишком толстым, стены туннеля могут деформироваться или даже обрушиться, что угрожает горнякам, инфраструктуре и близлежащим сообществам. В изложенной здесь статье предложен новый способ прогнозирования толщины этой зоны в разных геологических условиях с использованием сочетания современных методов машинного обучения и внимательной интерпретируемости, чтобы инженеры могли понять не только результаты, но и причины, стоящие за ними.

Скрытое кольцо ослабленной породы

Подземные выработки и туннели окружены породой, которую сжали и разрушили при разработке. Этот затронутый слой — толщина зоны повреждений при выработке — напрямую определяет, сколько крепи требуется для обеспечения безопасности туннеля. Но толщина зависит от нескольких взаимосвязанных факторов: прочности массива пород, степени разрушенности блоков трещинами и стыками, глубины залегания и пролёта туннеля. Эти влияния сильнo нелинейны и отличаются от участка к участку, поэтому простые формулы или даже продвинутые моделирования часто не дают точных, широко применимых прогнозов. Традиционные полевые измерения, такие как радарное зондирование и акустические исследования, могут оценить зону повреждений, но они дороги и сложно выполнимы регулярно.

Использование умных алгоритмов для «чтения» породы

Чтобы справиться с этой задачей, авторы собрали 209 реальных измерений толщины зоны повреждений из различных типов шахт, включая угольные, золотые, фосфатные и свинцовые разработки. Для каждого случая они зафиксировали четыре ключевых входных показателя: прочность массива пород, индекс трещиноватости, глубину туннеля и пролёт. Затем они построили модель прогнозирования, которая сочетает мощный механизм распознавания шаблонов — многокернельную релевантную векторную машину — с улучшенным методом оптимизации, вдохновлённым охотничьим поведением серых волков. Шаг оптимизации настраивает внутренние параметры модели так, чтобы она наилучшим образом подстраивалась под сложные зависимости в данных, оставаясь при этом эффективной для небольших инженерных наборов данных.

Как гибридная модель улучшает прогнозы

Суть подхода заключается в одновременном использовании нескольких простых математических «линз», или кернелов, чтобы охватить как общие тенденции, так и локальные вариации в отклике породы. Модель комбинирует линейные, радиальные и лапласовские кернелы, что позволяет учитывать плавные изменения, резкие скачки и шумные измерения одновременно. Улучшенный оптимизатор серого волка дополняет это более тщательным исследованием пространства параметров: он использует продуманно сгенерированные случайные начальные точки, нелинейный переход от широкого поиска к тонкой настройке и стратегию предложения противоположных кандидатных решений, чтобы избежать застревания в плохих локальных оптимумах. Тесты на стандартных бенчмарках показывают, что такой оптимизатор сходится быстрее и надёжнее по сравнению с несколькими современными ройными и эволюционными алгоритмами.

Опередив существующие инструменты прогнозирования

Применённая к набору данных по туннелям интегрированная модель IGWO–MKRVM дала очень точные прогнозы. На невидимых тестовых случаях коэффициент детерминации превысил 0,95, а показатели ошибок были крайне малы, что означает хорошее соответствие предсказанных и полевых измерений толщины зоны повреждений. Авторы сравнили свою модель с рядом устоявшихся инструментов, включая классические нейронные сети, регрессию с гауссовским процессом, гибриды на базе опорных векторов и настроенный случайный лес. Во всех случаях новая модель показала меньшие ошибки и более стабильную работу, демонстрируя как сильную подгонку, так и надёжную обобщаемость на новые геологические условия.

Открывая «чёрный ящик» машинного обучения

Поскольку инженеры обязаны обосновывать решения по безопасности, авторы также уделили внимание интерпретируемости модели. Они использовали современную методику объяснений SHAP, которая рассматривает каждый вход как «игрока» в кооперативной игре и вычисляет его вклад в каждое предсказание. Этот анализ показал, что доминирующими факторами толщины зоны повреждений являются индекс трещиноватости и глубина туннеля: сильно трещиноватая порода и глубокие выработки, как правило, приводят к значительно большей толщине повреждённого кольца. Пролёт туннеля и прочность породы также влияют, но в меньшей степени — большие пролёты увеличивают повреждения, тогда как более прочная порода склонна их сдерживать. Метод дополнительно выявляет взаимодействия между факторами, например показывая, что глубокие туннели в слабой, сильно трещиноватой породе особенно уязвимы.

Что это значит для подземной безопасности

Проще говоря, исследование предлагает инженерам более «умный» калькулятор для прогнозирования глубины проникновения повреждений в породу вокруг туннеля и чёткое объяснение, при каких условиях эти повреждения усиливаются. Сочетая тщательно настроенный обучающий механизм с прозрачным анализом важности признаков, метод не только превосходит существующие модели, но и повышает доверие к своим рекомендациям. Это может помочь проектировщикам выбирать более безопасные формы туннелей, системы крепления и стратегии разработки с учётом местной геологии, что в конечном итоге сокращает риск обвалов и падений горной породы в подземных сооружениях.

Цитирование: Yang, R., Zhang, G., Ye, Y. et al. An interpretable IGWO-MKRVM model for predicting excavation damaged zone thickness of drift. Sci Rep 16, 13548 (2026). https://doi.org/10.1038/s41598-026-42835-y

Ключевые слова: стабильность туннелей, механика горных пород, машинное обучение, подземная разработка, геотехническая безопасность