Дипломная работа: от 3D-моделирования до Python-аналитики и экономики (Часть 2)
Продолжаю тему и делюсь подробностями своей дипломной работы, которую успешно защитил месяц назад.
1. Подготовка к моделированию
Еще до построения 3D-модели карьера я определил геологический индекс прочности (GSI) для различных участков карьера(доменов) и рассчитал эквивалентные параметры массива, выполнив переход от прочности на одноосное сжатие к модулю упругости через статистический параметр modulus ratio (MR). В работе опирался на фундаментальные труды:
2019-The-Hoek-Brown-failure-criterion-and-GSI-2018-edition
2006-Hoek-and-Diederichs-estimating-rock-mass-modulus
После интеграции данных в расчетную модель я разбил ее на конечные элементы и провел расчет методом понижения прочностных характеристик (SRM). Результатом стали наглядные зоны пластических деформаций, поля полных перемещений и конечно, итоговый коэффициент запаса устойчивости FoS = КЗУ (по ФНП №439 Приложение 3, п 15-16).
2. Проектирование наблюдательной станции
На основе полученных расчетов я спроектировал маркшейдерскую станцию. Логика была следующая:
Опорные реперы расположил в зоне минимальных смещений, за пределами влияния карьера.
Рабочие реперы расположил точечно в зонах пластических деформаций и максимальных смещений. Опираясь на рекомендации ВНИМИ, выбрал шаг между реперами 5-10-15 метров (в зависимости от величины расчетных перемещений).
3. Автоматизация и геотехнические риски
В заключении я разработал программу автоматизированного мониторинга. Базой послужил Приказ Ростехнадзора от 13.11.2020 №439, приложение 8 таблица 1, регламентирующий количество циклов наблюдений. Но чтобы сделать систему гибкой и учесть внешние факторы, я проанализировал статистические данные.
С помощью Python (библиотека pandas) я проанализировал массив метеонаблюдений за 65 лет, которые после фильтрации данных сократились до 45.
Что это дало:
Нашел ежемесячную частоту наиболее разрушительных для массива погодных событий(ливни, циклы заморозки/оттайки), каждому месяцу рассчитал баллы опасности. На основе этих рисков адаптировал и дополнил базовую программу наблюдений, чем выше баллы опасности, тем чаще проводятся наблюдения.
В итоге расписал всё до мелочей, работу роботизированных тахеометров, места установки скважинных инклинометров, привязку циклов наблюдений к БВР и даже способы компенсации рефракции при измерениях на основе температурных датчиков.
4. Экономический эффект
В моем проекте я применил принцип концентрированного мониторинга, чтобы не «засеивать» датчиками весь массив, сфокусировал ресурсы только на участках повышенной опасности, выявленных при моделировании. Это позволяет:
1. Не устанавливать реперы там, где в этом нет необходимости, реперы устанавливаются только в зонах повышенной опасности;
2. Повышать точность мониторинга в наиболее опасных зонах;
3.Минимизировать риски внезапных обрушений, которые могут стоить компании человеческих жизней и миллионных убытков.
На последнем графике видно, что операционные затраты на маркшейдерскую службу с учетом трат на мониторинг составляют всего 2,7% от годовых трат предприятия. Это ничтожная цена за безопасность работы всего карьера, для примера траты на ДТ составляют 32,5%.
Выполняя эту работу, я по-новому взглянул на специальность и увидел карьер как систему, где на стыке геомеханики, IT и экономики рождаются самые интересные, смелые и эффективные решения.
Для меня маркшейдер сегодня - это не «просто человек за тахеометром», а горный инженер-стратег и системный интегратор. Это специалист, который переводит хаос природных напряжений и координат на язык безопасности, цифр и прибыли, связывая воедино разрозненные данные. Именно на этом пересечении технологий и классического горного дела я вижу свое будущее: превращать неочевидные риски в прозрачную систему, внедрять IT и беспилотные технологии в производство.