A A A Ц Ц Ц Ц

ШРИФТ:

Arial Times New Roman

ИНТЕРВАЛ:

х1 х1.5 х2

КЕРНИНГ:

Обычный Средний Большой

ИЗОБРАЖЕНИЯ:

Черно-белые Цветные
Для слабовидящих Обычная версия
научно-технический и производственный журнал
ISSN 2079–3332 (print)
ISSN 3034-6835 (online)
основан в 2001 году

Алгоритм решения контактных задач с использованием технологий глубокого машинного обучения при переработке полезных ископаемых

Новости

Оригинальные статьи: 2026 г. № 3

Алгоритм решения контактных задач с использованием технологий глубокого машинного обучения при переработке полезных ископаемых

DOI: 10.56195/20793332-2026-26-3-21-26

Читать в pdf Р. Д. Пряжевский1, В. А. Атрушкевич2, Е. Ю. Барменков1
  1. 1ФГБОУ ВО «Российский государственный геологоразведочный университет имени Серго Орджоникидзе» (МГРИ), г. Москва, Российская Федерация
  2. 2ФГБУН «Институт проблем комплексного освоения недр имени академика Н. В. Мельникова» Российской академии наук, г. Москва, Российская Федерация
стр. 21-26, №3/2026
Аннотация:
Разработан и представлен алгоритм решения контактных задач механики деформируемого твердого тела с использованием технологий глубокого машинного обучения. Метод основан на применении физически информированных нейронных сетей, что позволяет искать решения, непосредственно удовлетворяющие системам дифференциальных уравнений равновесия и граничным условиям. Ключевой особенностью предложенного подхода является сведение исходной краевой задачи с односторонними контактными ограничениями, выраженными в форме неравенств, к задаче безусловной оптимизации. Для этого построена специальная функция потерь, которая инкорпорирует условия непроникания и отсутствия адгезии в процедуру обучения нейронной сети. Алгоритм продемонстрирован на репрезентативных примерах контакта абсолютно твердого штампа с упругими основаниями, моделируемыми балками Бернулли – Эйлера и Тимошенко в одномерной постановке. Показано, что метод эффективно определяет как искомые поля перемещений и давлений, так и неизвестную заранее область контакта. Разработанный подход формирует вычислительную основу для создания быстрых суррогатных моделей, актуальных для моделирования и оптимизации процессов переработки минерального сырья, таких как дробление и измельчение, в контексте задач энергосбережения и кристаллосбережения.
Ключевые слова:
полезные ископаемые, дробление, измельчение, физически информированные нейронные сети, балки, пластины, машинное обучение, математическая оптимизация, кристаллосбережение
Для цитирования:
Пряжевский Р. Д., Атрушкевич В.А., Барменков Е.Ю. Алгоритм решения контактных задач с использованием технологий глубокого машинного обучения при переработке полезных ископаемых. Маркшейдерия и недропользование. 2026; 26 (3): 21-26. https://doi.org/10.56195/20793332-2026-26-3-21-26.
Информация об авторах:
  1. Роман Дмитриевич Пряжевский – старший преподаватель кафедры высшей математики и физики, ФГБОУ ВО «Российский государственный геологоразведочный университет имени Серго Орджоникидзе» (МГРИ), г. Москва, Российская Федерация
  2. Виктор Аркадьевич Атрушкевич – д-р техн. наук, профессор, ведущий научный сотрудник отдела моделирования геотехнических систем, ФГБУН «Институт проблем комплексного освоения недр имени академика Н. В. Мельникова» Российской академии наук, г. Москва, Российская Федерация
  3. Евгений Юрьевич Барменков – канд. техн. наук, доцент, заведующий кафедрой горнотехнологических систем и энергетических комплексов имени Н. В. Тихонова ФГБОУ ВО «Российский государственный геологоразведочный университет имени Серго Орджоникидзе» (МГРИ), г. Москва, Российская Федерация
Список литературы:
  1. 1. Kingma D.P., Adam J.Ba. A Method for Stochastic Optimization. 2017. https://doi.org/10.48550/arXiv.1412.6980.
  2. 2. Mirjalili V. Python Machine Learning. Third Edition / Sebastian Raschka. Packt, 2019: 770 с.
  3. 3. Richthofer S., Wiskott L. Predictable feature analysis. 2015 IEEE 14th international conference on machine learning and applications (ICMLA). IEEE, 2015: 190-196.
  4. 4. Raparthy M., Dodda B. Predictive Maintenance in IoT Devices Using Time Series Analysis and Deep Learning. Journal of Ballistics. 2022; 35:01-10. https://doi.org/10.52783/dxjb.v35.113.
  5. 5. Лакшманан В., Робинсон С., Мунн М. Машинное обучение. Паттерны проектирования. Санкт-Петербург, 2022: 448. Laksmanan V., Robinson S., Munn M. Machine Learning. Design Patterns: Trans. from English. St. Petersburg, 2022: 448. (In Russ.).
  6. 6. Ensafi Y., Behmanesh A., Ghaemi R., et al. Time-series forecasting of seasonal items sales using machine learning - A comparative analysis. International Journal of Information Management Data Insights. 2022; 2 (1): 100058. https://doi.org/10.1016/j.jjimei.2022.100058.
  7. 7. Xue-heng Qiu, Le Zhang, Ye Ren et al. Ensemble deep learning for regression and time series forecasting. 2014 IEEE symposium on computational intelligence in ensemble learning (CIEL). IEEE; 2014: 1-6. https://doi.org/10.1109/CIEL.2014.7015739.
  8. 8. Goerg Georg. Forecastable component analysis. International conference on machine learning. PMLR. 2013: 64-72.
  9. 9. Вероятностное машинное обучение: введение. Москва, 2022: 940. Probabilistic machine learning: an introduction. Moscow, 2022: 940.
  10. 10. Benidis K., Bohlke-Schneider M., Flunkert V., et al. Probabilistic and Neural Time Series Modeling in Python. Journal of Machine Learning Research. 2020; 21 (116): 1-6.
  11. 11. Ciaburro G., Iannace G. Machine learning-based algorithms to knowledge extraction from time series data: A review. Data. 2021; 6 (6): 55. https:// doi.org/10.3390/data6060055.
  12. 12. Daw A., Bu J., Wang S., et al. Rethinking the importance of sampling in physics-informed neural networks. arXiv preprint, 2022. https://doi.org/ arXiv:2207.02338.
  13. 13. Frank M., Drikakis D., Charissis V. Machine-Learning Methods for Computational Science and Engineering. Computation. 2020; 8: 1-35. https:// doi.org/10.3390/computation8010015.
  14. 14. Maier H.R., Razavi S., Kapelan Z., et al. Introductory overview: Optimization using evolutionary algorithms and other metaheuristics. Environmental Modelling and Software. 2019; 114: 1-44. https://doi.org/10.1016/j.envsoft.2018.11.018.
  15. 15. Vadyala S.R., Betgeri S.N., Matthews J.C., et al. A review of physics-machine learning in civil engineering. Results in Engineering. 2022: 1-38. https://doi.org/10.48550/arXiv.2110.04600.

 

Золото России и СНГ

Новые материалы