Просторова оптимізація системи підготовчих виробок на основі тривимірної геолого-математичної моделі в умовах шахти «Самарська»
DOI:
https://doi.org/10.33271/crpnmu/86.129Ключові слова:
геолого-математична модель, тривимірне моделювання, просторове узгодження, гірничі виробки, багатокритеріальна оптимізація, TIN-моделі, гірнича придатністьАнотація
Мета. Розроблення теоретичних засад та методичного підходу до просторового узгодження гірничих виробок із геолого-математичною моделлю пласта с5 шахти «Самарська» ПрАТ «ДТЕК Павлоградвугілля» на основі інтеграції методів тривимірного геологічного моделювання та багатокритеріальної оптимізації.
Методика. Дослідження виконано із застосуванням методів тривимірного геологічного моделювання, TIN-апроксимації поверхонь покрівлі та підошви пласта, просторового аналізу гірничо-геологічних параметрів, побудови інтегрального показника гірничої придатності та багатокритеріальної оптимізації траєкторій гірничих виробок.
Результати. Побудовано тривимірну геолого-математичну модель пласта с5 в умовах шахти «Самарська» та виконано аналіз просторового розподілу його потужності, яка змінюється від 0,63 до 1,21 м. Виділено 13 виїмкових стовпів із сумарними експлуатаційними запасами 2,52·10⁶ м³. Визначено параметри підготовчих виробок для кожного стовпа та встановлено, що їх довжина зростає в напрямку простягання пласта від 910 до 1457 м, тоді як загальний кут нахилу зменшується від 3,14° до 2,15°. Показано, що центральна частина шахтного поля характеризується найбільш збалансованими умовами проведення виробок з позицій довжини трас, перепаду висот і допустимих ухилів.
Наукова новизна. Встановлено закономірність зміни параметрів системи підготовки запасів шахтного поля залежно від просторового співвідношення між гірничою придатністю та гірничо-геологічним ризиком. Доведено, що зміна інтегрального показника освоєння пласта (I = G – R) від 0,79 до 0,78 супроводжується майже лінійним збільшенням довжини виїмкових стовпів від 910 до 1457 м та одночасним зменшенням максимального кута відхилення траси підготовчих виробок від 6,09° до 3,83°, що створює наукове підґрунтя для адаптивного проєктування параметрів системи розробки.
Практичне значення. Запропонований підхід дозволяє обґрунтовано визначати параметри системи підготовки запасів, адаптувати розташування гірничих виробок до просторової неоднорідності пласта та підвищувати ефективність планування гірничих робіт.
Посилання
1. Malashkevych, D. S., Ruskykh, V. V., Medianyk, V. Yu., & Haidai, O. A. (2025). Prediction of coal seam occurrence using numerical methods and a three-dimensional geoinformation system. Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, 5, 5–13. https://doi.org/10.33271/nvngu/2025-5/005
2. Руських, В. В., & Сулаєв, В. І. (2023). Методика прогнозування якісних показників вугілля в межах виїмкового стовпа. Збірник наукових праць НГУ, 73, 45–55. https://doi.org/10.33271/crpnmu/73.045
3. Haidai, O., Ruskykh, V., Ulanova, N., Prykhodko, V., Cáceres Cabana, E., Dychkovskyi, R., Howaniec, N., & Smolinski, A. (2022). Mine field preparation and coal mining in Western Donbas: Energy security of Ukraine – A case study. Energies, 15(13), Article 4653. https://doi.org/10.3390/en15134653
4. Dychkovskyi, R., Falshtynskyi, V., Ruskykh, V., Cáceres Cabana, E., & Kosobokov, O. (2018). A modern vision of simulation modelling in mining and near mining activity. E3S Web of Conferences, 60, Article 00014. https://doi.org/10.1051/e3sconf/20186000014
5. Journel, A. G., & Huijbregts, C. J. (1978). Mining geostatistics. Academic Press.
6. Houlding, S. W. (1996). 3D geoscience modeling: Computer techniques for geological characterization. Springer. https://doi.org/10.1016/0012-8252(95)00067-4
7. Mallet, J. L. (2003). Geomodeling. Oxford University Press. https://doi.org/10.1016/S0098-3004(03)00062-1
8. Cherep, A., & Russkykh, V. (2025). Justification of the technological scheme for the development of manganese ore as a critical raw material at the open pit completion. Advances in Science and Technology, 172, 3–18. https://doi.org/10.4028/p-3h0Alr
9. Wellmann, F., Caumon, G., & Schmelzbach, C. (2018). 3-D structural geological models: Concepts, methods, and uncertainties. Advances in Geophysics, 59, 1–121. https://doi.org/10.1016/bs.agph.2018.09.001
10. Deng, H., Zheng, Y., Chen, J., Yu, S., Xiao, K., & Mao, X. (2022). Learning 3D mineral prospectivity from 3D geological models using convolutional neural networks: Application to a structure-controlled hydrothermal gold deposit. Natural Resources Research, 31, 1899–1918. https://doi.org/10.48550/arXiv.2109.00756
11. Saaty, T. L., & Vargas, L. G. (2012). Models, methods, concepts & applications of the analytic hierarchy process (2nd ed.). Springer. https://doi.org/10.1007/978-1-4614-3597-6
12. Draper, N. R., & Smith, H. (1998). Applied regression analysis (3rd ed.). Wiley. https://doi.org/10.1002/9781118625590.ch15
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
All articles are published under the Creative Commons Attribution License (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Authors retain copyright and grant the journal right of first publication.
Authors are permitted and encouraged to deposit the final published version of their article, or the Author's Accepted Manuscript (AAM), in institutional or subject-specific open-access repositories (including the university's own institutional repository, CORE, Zenodo, or Figshare), ensuring maximum visibility, accessibility, and impact of the publication.
