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.