Распределение топлива для обеспечения работы технологического оборудования является важной задачей при открытых горных работах, где незапланированные простои оборудования из-за истощения запасов топлива напрямую увеличивают эксплуатационные расходы и нарушают непрерывность добычи. Оптимизация маршрута бензовозов в динамических условиях в реальном времени, учет местоположения оборудования, уровней запасов топлива и приоритетов заправки остаются недостаточно освещенной проблемой в существующей литературе по маршрутизации транспортных средств. В данном исследовании оцениваются и сравниваются три алгоритмических подхода к решению задачи маршрутизации бензовозов на основе приоритетности при добыче полезных ископаемых открытым способом: полный перебор (BF), метод ветвей и границ с использованием редуцированной матрицы (B & B) и муравьиный алгоритм (ACO). Алгоритмы тестируются на двух наборах данных из угольной копи в Северной Америке – начальном наборе данных из 14 единиц техники и дополнительном наборе данных из 38 единиц с использованием геодезических расстояний и трехуровневой структуры приоритетов, основанной на уровнях запасов топлива в реальном времени. Модифицированная формула B & B с применением сокращения матрицы и фиктивных переменных используется для обеспечения соблюдения ограничений по группам приоритетов без преждевременного возврата на склад ГСМ (бензохранилище). Параметры ACO настроены для среды маршрутизации на основе приоритетов с фиксированным стартом от бензохранилища. На основании начального набора данных BF определяет оптимальный путь 54,39 км за 1,68 с, B & B – близкий к оптимальному путь в 55,01 км за 1,41 с, а ACO достигает эвристического пути 55,01 км за 0,22 с. Анализ масштабируемости показывает, что вычислительные возможности алгоритма BF позволяют моделировать не более 17 единиц техники, B & B – не более 29, в то время как ACO стабильно предоставляет почти оптимальные решения для всех протестированных масштабов примерно за 1 с. Алгоритм ACO принят в качестве наиболее подходящего для маршрутизации бензовозов в режиме реального времени при крупномасштабных открытых горных работах. Он обеспечивает наилучший баланс между качеством решения и вычислительной эффективностью при отклонении от оптимального маршрута на 1,13 %.

Метод мюонографии представляет собой инновационный метод получения информации о внутреннем состоянии массивных природных и промышленных объектов с помощью частиц космического излучения – высокоэнергичных атмосферных мюонов. Метод изучает особенности прохождения этих частиц сквозь протяжённые объекты, расположенные на поверхности земли и под ней, что позволяет обнаруживать скрытые аномалии плотности и осуществлять их мониторинг. Мюонография может применяться для решения широкого класса прикладных задач – от поиска полезных ископаемых до оценки возможных природных и техногенных рисков для гражданской инфраструктуры. В основе метода лежит анализ характеристик потоков мюонов после их прохождения через объект исследования. Наличие внутри объекта скрытых областей повышенной или пониженной плотности изменяет количество прошедших через него мюонов. Зондирующие мюоны регистрируются с помощью детекторов, установленных ниже и/или сбоку исследуемой зоны. Сравнение зарегистрированных мюонных потоков с ожидаемыми позволяет не только сделать заключение о наличии скрытой области повышенной или пониженной плотности, но также определить её местоположение и оценить размеры. Мюонография является перспективным инструментом решения геологических и геофизических задач, причём не только в качестве дополнения к традиционным подходам, но и как самостоятельный экспериментальный метод поиска залежей полезных ископаемых, прогнозирования и анализа последствий сейсмических и вулканических процессов, оценки деформаций в зонах тектонических разрывных нарушений в оползневых зонах, карстовых массивах и др. Авторы статьи обладают более чем десятилетним опытом проведения мюонографических экспериментов с использованием ядерно-эмульсионных детекторов, регистрирующих атмосферные мюоны. В результате были созданы уникальные разработки, касающиеся постановки эксперимента, обработки и анализа данных, полученных с помощью фотографической ядерной эмульсии. В статье обсуждаются перспективы и особенности мюонографической методики в приложении к геологическим и геофизическим исследованиям.

Электропотребление горнопромышленных предприятий характеризуется выраженной нестационарностью из-за повторно-кратковременных режимов оборудования и резкопеременной нагрузки электросталеплавильного производства. Отклонение фактического потребления от плановых заявок на оптовом рынке электроэнергии и мощности (ОРЭМ) влечёт значительные штрафные санкции, что делает традиционные статистические методы недостаточно точными и требует адаптивных нейросетевых подходов.  Разработана и обоснована нейросетевая модель краткосрочного прогнозирования электропотребления для минимизации штрафов ОРЭМ. Проведён сравнительный анализ шести архитектур (RNN, GRU, LSTM, BiLSTM, CNN-LSTM, с механизмом внимания) в двух стратегиях многошагового прогнозирования (прямая Direct и рекурсивная Recursive). Гиперпараметры подобраны методом Hyperband. Исследование выполнено на промышленных данных за 2022–2023 гг. (17 520 почасовых измерений) крупного горно-перерабатывающего предприятия. Результаты показали, что архитектура GRU с прямой стратегией обеспечивает наилучшую точность (MAPE 5,44 %) и максимальную экономию штрафных платежей – 21,25 % относительно сезонной наивной модели, что на тестовом периоде (IV квартал 2023 г.) составляет 38,6 млн руб. квартального эффекта. Выявлен эффект избыточной сложности: простые рекуррентные сети превосходят модели с механизмами внимания на данных ограниченного объёма. Рекурсивная стратегия уступает прямой из-за кумулятивного накопления ошибки и невозможности использования стохастических экзогенных PCA-факторов. Выводы подтверждают целесообразность перехода от экспертно-статистических методов к нейросетевым подходам для горнопромышленных предприятий с резкопеременными нагрузками.