Авторы: Ю.Н Линник, В.Ю. Линник

Название статьи: Определение качественных характеристик угля с использованием алгоритмов искусственного интеллекта

Год: 2026, Номер: 3, Страницы: 195-204

Отрасль знаний: 2.8.9. Обогащение полезных ископаемых

Индекс УДК: 519.683

DOI: 10.26730/1999-4125-2026-3-195-204

Аннотация: Основная задача угледобывающих предприятий в современных экономических условиях заключается не просто в наращивании валового объема добычи, а в комплексном обеспечении поставок топлива строго заданного качественного состава при одновременной минимизации эксплуатационных и капитальных затрат на весь цикл горных работ. В условиях волатильности рыночных цен и ужесточения экологических требований к сжигаемому топливу именно точное прогнозирование ключевых качественных характеристик угля (таких как зольность, выход летучих веществ, теплотворная способность и содержание серы) выходит на первый план. Это позволяет оптимизировать процессы обогащения, шихтовки и логистики, обеспечивая максимально эффективное использование энергетического потенциала каждой тонны добытого сырья. В связи с этим целью настоящей научной статьи является не только поверхностный обзор, но и глубокое практическое исследование, а также сравнительная оценка группы распространенных алгоритмов машинного обучения и искусственного интеллекта применительно к реальной производственной задаче прогнозирования качества твердого топлива. Эмпирическая база исследования сформирована на основе обширного массива данных лабораторного анализа, которые собирались и верифицировались в течение пятилетнего периода (с 2015 по 2020 год включительно). Выборка включает в себя 33 256 представительных образцов углей, отобранных в различных пластах Кузнецкого угольного бассейна, что обеспечивает высокую статистическую значимость результатов. В ходе экспериментального моделирования анализировались четыре принципиально разных подхода: дерево решений C4.5, метод ближайших соседей IBk, наивный байесовский классификатор и многослойный перцептрон (MLP). Ключевая идея работы заключалась в поиске наиболее адекватной модели: для этого каждый из алгоритмов подвергался тщательной калибровке вероятностных выходов с целью получения несмещенных предсказаний, оценивалось влияние каждого входного параметра на итоговый результат, после чего проводилось итоговое ранжирование методов по критериям точности и устойчивости. По результатам комплексной оценки именно MLP был признан наиболее эффективным инструментом для данной предметной области, а его топология с оптимально подобранным количеством нейронов во входном, скрытом и выходном слоях продемонстрировала наилучшее соотношение скорости обучения и обобщающей способности.

Ключевые слова: алгоритмы искусственного интеллекта интеллектуальный анализ данных классификационная прогнозная модель качество угля

Дата получения: 17.02.2026

Дата одобрения: 15.06.2026

Дата опубликования: 27.08.2026

ЦИТИРОВАНИЕ СКАЧАТЬ