3.14 На пути к цифровизации вентиляционных процессов и цифровым двойникам реальности

Появление генеративного искусственного интеллекта (ИИ) в 2022 г. стало переломным моментом: ИИ стал заметен широкому кругу пользователей и начал активно внедряться в различные сферы деятельности. В научной среде он постепенно превращается в новый инструмент познания. Его появление было использовано и исследователями Горного института УрО РАН.

Заметим, что много лет назад на открытии конференции Supercomputing 89 Джон Роллваген, председатель и генеральный директор Cray Research, отмечал: «Мы буквально находимся на важном этапе истории. Третья ветвь научного метода – компьютерное моделирование – становится повседневным инструментом. Моделирование занимает свое место наряду с экспериментальными исследованиями и математической теорией как путь к новым открытиям в науке и технике». Сегодня же впору будет перефразировать Дж. Роллвагена и сказать о том, что искусственный интеллект формирует уже «четвертую ветвь» научного метода.

Вместе с тем развитие ИИ сопровождается рядом проблем. Его применение носит крайне разнородный характер. Молодые ученые, еще плохо владеющие методиками анализа данных и стратегического мышления, полагающиеся во многом на своего научного руководителя, не умеющие или плохо умеющие выражать свои мысли, все чаще стали прибегать к помощи ИИ. Однако его возможности ограничены, он не рождает новое знание, зато легко отучает думать и писать, как калькуляторы в свое время напрочь отучили большое количество людей от способности считать в уме.

С одной стороны, ИИ используется для обработки больших массивов данных, выявления скрытых закономерностей и получения новых знаний. С другой − все чаще применяется для вспомогательных задач: стилистической правки текстов, перевода и корректуры научных публикаций. Набирает распространение практика использования ИИ для подготовки обзорных разделов статей, а в отдельных случаях – и для генерации значительных частей научных работ, что абсолютно недопустимо с точки зрения научной этики. Особенно заметна эта тенденция в образовательной среде, где в последние годы участились случаи использования генеративных моделей студентами при подготовке курсовых работ.

Таким образом, искусственный интеллект представляет собой мощный, но одновременно потенциально рискованный инструмент, использование которого требует нормативного и этического регулирования, в том числе в научной сфере. Одной из серьезных проблем становится засорение научного пространства низкокачественными публикациями, сгенерированными с помощью ИИ. Уже сегодня встречаются работы, в которых признаки машинной генерации очевидны – например, некорректные иллюстрации с бессмысленными надписями или логически несвязанный текст. Для обозначения подобного явления используется термин «ИИ-слоп» – массово производимый низкокачественный контент, не представляющий научной ценности.

В этих условиях особую значимость приобретает ответственность исследователей за формирование качественного информационного пространства. Вступая в новую эпоху цифровизации, научное сообщество должно вырабатывать подходы, позволяющие эффективно использовать возможности ИИ, не допуская при этом снижения качества научных результатов, то есть не выходя за рамки его применения как метода моделирования и инструмента стилистического пруфридинга, не затрагивающего смысл, закладываемый авторами. Именно такой позиции придерживаются авторы настоящей книги, стремясь формировать у молодых исследователей ответственное отношение к использованию современных цифровых инструментов.

Если перейти от общенаучного уровня к деятельности Пермской научной школы, следует отметить, что и здесь методы искусственного интеллекта находят все более активное применение в задачах вентиляции и теплофизики шахт и рудников. Первые попытки использования ИИ предпринимались отдельными представителями школы еще в конце 2010-х гг. Так, А. В. Кашников применил относительно простую регрессионную модель на основе нейросетей для задач автоматизированного управления проветриванием, опубликовав результаты в трудах 20-й Международной конференции IEEE по мягким вычислениям и измерениям (2017).

В дальнейшем развитие данного направления временно замедлилось: сам А. В. Кашников сосредоточился на исследованиях в области нечеткой логики. Новый этап начался спустя несколько лет. В 2024 г. М. А. Семин и Д. С. Кормщиков опубликовали обзор, посвященный применению методов искусственного интеллекта в рудничной вентиляции. Эта работа стала основой для последующих исследований, выполненных совместно с Институтом механики сплошных сред, направленных на прогнозирование выбросов окиси углерода дизельных двигателей горной техники с использованием методов глубокого обучения.

Применение ИИ в подобных задачах оказывается наиболее эффективным при наличии репрезентативных обучающих выборок. В рассматриваемом случае такая выборка была сформирована на основе большого объема экспериментальных данных о работе машин с двигателями внутреннего сгорания. Анализ влияния параметров работы двигателей на характеристики выхлопных газов позволил по-новому интерпретировать классические зависимости, используемые в рудничной аэрологии с середины XX в. для расчета необходимого расхода воздуха при эксплуатации техники с двигателями внутреннего сгорания.

В частности, впервые были учтены такие факторы, как турбонаддув, крутящий момент и системы рециркуляции отработавших газов. Полученные результаты показали, что давление турбонаддува и параметры работы каталитических систем существенно изменяют традиционные зависимости между расходом выхлопных газов, частотой вращения и рабочим объемом двигателя, что имеет важное практическое значение для расчетов проветривания.

Методы ИИ для обработки экспериментальных данных активно внедряются и в проекте по системе навигации комбайна. В ходе пуско-наладки системы навигации был собран большой объем данных, позволивший выявить интересные особенности положения калийного соляного пласта в пределах отдельных блоков. Пласт не является идеально горизонтальным, а изменяет свое положение, «гуляет». При этом оказалось, что его положение в соседней, еще не пройденной камере можно предсказывать с помощью нейросетей значительно более эффективно, чем с использованием детерминированных методов экстраполяции. Это было показано А. И. Кузнецовым – инженером лаборатории цифровизации, активно вовлеченным в проект по навигации комбайна.

В целом такая информация оказывается весьма полезной, поскольку, зная заранее положение пласта, можно более точно направлять комбайн как в ручном режиме, так и в рамках автоматизированной системы навигации.

В настоящее время рассматривается возможность применения ИИ и для других горных и аэрологических задач: для аудита добычных процессов на рудниках в целом с целью выявления узких мест, сдерживающих наращивание объемов добычи полезных ископаемых; для совершенствования расчетов местных сопротивлений на сопряжениях горных выработок, где эти сопротивления зависят от большого числа параметров вентиляции и с трудом описываются простыми аналитическими зависимостями. Нейросетевые модели, по сути, представляют собой расширение понятия аппроксимирующей функции, позволяющее описывать значительно более сложные зависимости целевых показателей от большого набора входных переменных – параметров ведения горных работ, параметров проветривания и пр. Однако эта «аппроксимирующая функция» имеет существенный недостаток – непрозрачность. Она, по сути, является черным ящиком, действующим по законам, ведомым ей одной.

В то же время в аэрологии сохраняется широкий класс задач, в которых проще получить ясные, физически интерпретируемые зависимости целевых показателей проветривания от параметров системы; в этих случаях приоритет по-прежнему остается за моделями, основанными на фундаментальных законах физики, а методы искусственного интеллекта смогут выступить лишь как вспомогательный инструмент.

Semin M., Kormshchikov D. Application of artificial intelligence in mine ventilation: a brief review // Frontiers in Artificial Intelligence. 2024. Vol. 7. P. 1402555.