Трещины массива горных пород оказывают влияние на физико-механические свойства горных пород, а их, в свою очередь, необходимо учитывать при планировании добычных работ и строительстве горнотехнических сооружений. Найдены различные методы обнаружения трещины в массиве горных пород по данным георадиолокации. Однако применение метода ограничения данных зависит от производительности операторов-геофизиков, так как данные георадиолокации интерпретируются ими вручную. Для изучения трещиноватости мерзлых горных пород по данным георадиолокации возможно применение искусственных нейронных сетей (ИНС), которые лучше проводят анализ георадиолокационных радарограмм с целью определения разрывов и смещения осей синфазности георадиолокационных сигналов. Существенной проблемой при применении ИНС является подготовка данных для обучения (обучающей выборки). Создание обучающего набора данных возможно с помощью модели георадиолокационного разреза массива мерзлых горных пород с трещиной. Однако практика использования синтетических радарограмм на основе модели георадиолокационного разреза массива мерзлых горных пород с трещиной показала необходимость ее преобразования в плане увеличения количества слоев горных пород, возможности задания наклонных границ с учетом существующих син- и антиформ. В статье описаны этапы разработки модели нейронной сети, в том числе создание обучающего набора данных, выбор структуры, обучение и апробация модели нейронной сети. Апробация модели INS продемонстрировала лучшую эффективность модели INS. Тем не менее, в работе модели наблюдаются некоторые недостатки. Разработанная система позволит сократить временные затраты на интерпретацию данных георадолокации. Дальнейшие исследования будут связаны с повышением точности предсказания, обусловленным расширением обучающего набора данных и предложением дополнительных моделей ИНС. Работа выполнена в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема N 0297-2021-0020, ЕГИСУ НИОКТР N 122011800086-1).
Cracks in the rock mass significantly affect the physical and mechanical properties of rocks, and they, in turn,must be taken into account in the planning of mining operations and construction of mining structures. There arevarious techniques for detecting cracks in the rock mass using GPR data. However, the application of these techniquesis limited by the productivity of geophysical operators, as the GPR data are mainly interpreted by them manually. Tostudy the fracturing of frozen rocks from GPR data, it is possible to use artificial neural networks (ANN), which willmake it possible to analyze GPR radarograms in order to detect discontinuities and shifts of in-phase axes of GPRsignals. A significant problem in the application of ANN is the preparation of data for training (training sample). It ispossible to create a training data set using a model of GPR section of frozen rock massif with a fracture. However,the practice of using synthetic radarograms based on the model of GPR section of frozen rock massif with a crack hasshown the need for its improvement in terms of increasing the number of rock layers, the possibility of setting inclinedboundaries, taking into account the presence of syn- and antiforms. The article describes the stages of neural networkmodel development, including the creation of a training data set, selection of architecture, training and testing of theneural network model. The validation of the ANN model showed high performance of the ANN model. Nevertheless,some drawbacks are observed in the performance of the model. The developed system will significantly reduce the timecost of GPR data interpretation. Further research will be related to improving the prediction accuracy associated withthe expansion of the training data set and development of an additional ANN model.

Актуальность работы. Трещины массива горных пород представляют собой поверхности разрыва сплошности в горных породах без признаков смещения. Они существенно влияют на физико-механические свойства горных пород, и их, в свою очередь, необходимо учитывать при планировании добычных работ и строительстве горнотехнических сооружений. Решить эту проблему можно путем применения методов искусственного интеллекта (ИИ), так как они способны обрабатывать большие объемы данных. Цель работы: выбор метода искусственного интеллекта для выявления трещин массива горных пород по данным георадиолокации на основе аналитического обзора применяемых методов искусственного интеллекта в обработке и интерпретации данных геофизических измерений. Метод или методология проведения работы: аналитический обзор применения методов искусственного интеллекта при обработке данных геофизических методов. Результаты работы и область их применения. В результате проведенного исследования сформирована таблица, показывающая качественные оценки четырех характеристик методов ИИ, позволяющие сделать обоснованный выбор метода для выявления трещин горных пород по данным георадиолокации. Полученные оценки характеристик методов ИИ будут полезны широкому кругу геофизиков, занимающихся обработкой и интерпретацией данных и желающих повысить эффективность своей работы. Выводы. Проведенный обзор показал, что методы искусственного интеллекта находят довольно широкое применение при обработке данных геофизических методов. Среди используемых методов можно выделить искусственные нейронные сети, методы опорных и релевантных векторов, генетические алгоритмы и т. д. В качестве метода искусственного интеллекта для выявления трещин массива горных пород по данным георадиолокации была выбрана сверточная нейронная сеть, так как она наиболее чувствительна к данному типу данных и обладает высокой устойчивостью к шумам.
Relevance. Rock mass cracks are fracture surfaces in rocks with no signs of shifting. They significantly affect the physical and mechanical properties of rocks, and they, in turn, must be taken into account when planning mining operations and constructing mining structures. This problem can be solved by applying artificial intelligence (AI) methods, as they are able to process large amounts of data. The purpose of the work: choice of artificial intelligence method for detecting rock mass cracks from GPR data based on an analytical review of the applied artificial intelligence methods in the processing and interpretation of geophysical measurement data. Research methodology: analytical review of the application of artificial intelligence methods in the processing of geophysical methods data. The results of the work and their scope. As a result of the study, a table has been formed showing the qualitative assessments of the four characteristics of AI methods, which make it possible to make a reasonable choice of a method for detecting rock mass cracks from GPR data. The resulting estimates of the characteristics of AI methods will be useful to a wide range of geophysicists involved in data processing and interpretation and those who want to improve the efficiency of their work. Conclusions. The review showed that artificial intelligence methods are widely used in the processing of geophysical methods data. Among the methods used, one can single out artificial neural networks, support and relevance vector machines, genetic algorithms, etc. A convolutional neural network was chosen as an artificial intelligence method for detecting rock mass cracks from GPR data, since it is most sensitive to that data type and has a high noise immunity.