پیش بینی حوادث ایمنی و مخاطرات محیط زیستی در معادن زیرزمینی با استفاده از الگوریتمهای یادگیری ماشین و تحلیل ریسک

افزایش عمق بهره برداری از منابع معدنی زیرزمینی و پیچیدگی فزاینده ساختارهای زمین شناسی محیط زیستی و فنی لزوم بازنگری در روشهای تحلیل و پیش بینی مخاطرات ایمنی و زیست محیطی را اجتناب ناپذیر ساخته است. وقوع پدیده هایی چون انفجار گاز متان ریزش ناگهانی سقف، نشت آلاینده های شیمیایی و اختلال در سیستم های تهویه عمدتا در بسترهایی اتفاق می افتند که رفتار غیرخطی دینامیک و چندبعدی دارند و از این رو روشهای کلاسیک تحلیل ریسک و پایش ایمنی پاسخگوی پیش بینی و مهار این مخاطرات نیستند. این پژوهش با هدف تبیین ظرفیت های الگوریتمهای پیشرفته یادگیری ماشین در شناسایی، طبقه بندی و پیش بینی ساختاری این نوع از مخاطرات در معادن زیرزمینی طراحی شده است. روش مطالعه مبتنی بر رویکرد کتابخانه ای و مروری نظام مند بوده و با تمرکز بر مطالعات بین المللی منتشر شده در دو دهه اخیر از میان بیش از ۱۲۰ مقاله علمی پژوهشی، ۵۷ منبع کلیدی مورد تحلیل انتقادی قرار گرفته است. یافته ها نشان می دهد که الگوریتم هایی نظیر LSTM، Random Forest، XGBoost و CNN در تلفیق با ساختارهای هیبریدی بیزی توانسته اند در شناسایی الگوهای پیش حادثه، تحلیل سری های زمانی سنسورهای محیطی و طبقه بندی نقاط حادثه خیز دقتی در بازه ۸۹ تا ۹۷ درصد ارائه دهند. همچنین پیاده سازی رویکردهای انتخاب ویژگی مبتنی بر حساسیت و استفاده از الگوریتمهای افزایش داده توانسته پایداری و تعمیم پذیری مدل ها را در شرایط نامتوازن داده ها و تنوع محیط های زیرزمینی تضمین کند. در جمع بندی تلفیق یادگیری ماشین با ساختارهای تحلیل ریسک مسیر نوینی در جهت توسعه سامانه های پیش نگر ایمنی در معادن فراهم ساخته که نه تنها منجر به بهبود پیش بینی و مدیریت حادثه شده بلکه موجب بازتعریف روش شناسی مهندسی ایمنی در محیط های زیرزمینی پیچیده شده است.

کلیدواژه ها:

تحلیل ریسک ، یادگیری ماشین ، معدن ، زیرزمینی ، مخاطرات زیست محیطی