Иркутский национальный исследовательский технический университет, Иркутск, Россия

Новиков Ю. В., старший преподаватель, канд. техн. наук
Лукьянов Н. Д., канд. техн. наук, доцент
Бурдонов А. Е., канд. техн. наук, доцент, slimbul@inbox.ru

Проведены исследования зависимости энергоемкости процесса дезинтеграции горных пород от различных факторов. Проанализированы пять типов пород: апатитовая руда, порфирит, диабаз, габбро-диабаз и углеродистые филлитовые сланцы. Для анализа влияния ключевых факторов – влажности, объема пород, температуры и типа руды – была разработана математическая модель на основе метода опорных векторов с радиально-базисным ядром. Полученные результаты показали, что наибольшее влияние на энергоемкость процесса оказывают тип руды и температура. Предложенная модель может быть интегрирована в системы автоматизированного управления, что позволит в режиме реального времени корректировать параметры процесса дезинтеграции.

Работа выполнена за счет гранта Российского научного фонда (проект № 25–27–20120).

1. Бурдонов А. Е., Барахтенко В. В., Прохоров К. В., Гавриленко А. А. Результаты исследований рабочих индексов дезинтеграции глиноземсодержащих отходов // Обогащение руд. 2018. № 4. С. 11–16.
2. Федотов К. В., Сенченко А. Е., Куликов Ю. В. Метод расчета удельной энергии само-/полусамоизмельчения на основе комбинации рабочих индексов Бонда // ГИАБ. 2014. № 11. С. 127–140.
3. Прокопенко А. В., Шишкин А. А., Савицкий В. Б., Амелин С. А. Изучение сохранности природного качества алмазов при доизмельчении кимберлитов в валковом прессе высокого давления POLYCOM® 09/6–0 // Вестник Иркутского государственного технического университета. 2008. № 3(35). С. 200–202.
4. Хабарова И. А., Бунин И. Ж. Повышение эффективности дезинтеграции и флотационного обогащения малосульфидных медно-никелевых руд // Новые материалы и перспективные технологии : Шестой междисциплинарный науч. форум с междунар. участием. – М. : Центр научно-технических решений, 2020. Т. 2. С. 465–470.
5. Qin H., Guo X., Tian Q., Yu D., Zhang L. Recovery of gold from sulfide refractory gold ore: Oxidation roasting pretreatment and gold extraction // Minerals Engineering. 2021. Vol. 164. ID 106822.
6. Adewuyi S. O., Ahmed H. A. M., Ahmed H. M. A. Methods of Ore Pretreatment for Comminution Energy Reduction // Minerals. 2020. Vol. 10. Iss. 5. ID 423.
7. Султаналиева Р. М., Конушбаева А. Т., Турдубаева Ч. Б. Исследование энергоемкости разрушения горной породы от воздействия температурно-временного режима СВЧ-полей // Международный журнал прикладных и фундаментальных исследований. 2019. № 12-2. С. 187–191.
8. Shibaeva D. N., Kompanchenko A. A., Tereschenko S. V. Analysis of the Effect of Dry Magnetic Separation on the Process of Ferruginous Quartzites Disintegration // Minerals. 2021. Vol. 11. Iss. 8. ID 797.
9. Homand-Etienne F., Houpert R. Thermally Induced Microcracking in Granites: Characterization and Analysis // International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts. 1989. Vol. 26. No. 2. P. 125–134.
10. Srinivasan V., Tripathy A., Gupta T., Singh T. N. An Investigation on the Influence of Thermal Damage on the Physical, Mechanical and Acoustic Behavior of Indian Gondwana Shale // Rock Mechanics and Rock Engineering. 2020. Vol. 53. Iss. 6. P. 2865–2885.
11. Huang S., Liu Q., Cheng A., Liu Y. A statistical damage constitutive model under freeze-thaw and loading for rock and its engineering application // Cold Regions Science and Technology. 2018. Vol. 145. P. 142–150.
12. Guo Y., Huang L., Li X., Chen J., Sun J. Experimental investigation on the effects of thermal treatment on the physical and mechanical properties of shale // Journal of Natural Gas Science and Engineering. 2020. Vol. 82. ID 103496.
13. Cao K., Ma L., Wu Y., Spearing A. J. S., Khan N. M. et al. Statistical damage model for dry and saturated rock under uniaxial loading based on infrared radiation for possible stress prediction // Engineering Fracture Mechanics. 2022. Vol. 260. ID 108134.
14. Добров Э. М. Инженерная геология : учебник. – 3-е изд., перераб. и доп. – М. : Академия, 2013. – 224 с.
15. Cross-validation: evaluating estimator performance // User Guide. URL: https://scikit-learn.org/stable/modules/cross_validation.html (дата обращения: 12.11.2025).
16. Бурдонов А. Е., Новиков Ю. В., Лукьянов Н. Д. Применение аппарата регрессионного анализа для обработки резул ьтатов, полученных при переработке руд методом центробежной концентрации // Цветные металлы. 2024. № 5. С. 15–22.
17. Smola A. J., Schölkopf B. A tutorial on support vector regression // Statistics and Computing. 2004. Vol. 14. Iss. 3. P. 199–222.
18. Vapnik V., Izmailov R. V-matrix method of solving statistical inference problems // Journal of Machine Learning Research. 2015. Vol. 16. P. 1683–1730.
19. Welcome to the SHAP documentation. 2018. URL: https://shap.readthedocs.io/en/latest/ (дата обращения: 12.11.2025).
20. Demanet L., Jugnon V. Convex Recovery From Interferometric Measurements // IEEE Transactions on Computational Ima ging. 2017. Vol. 3. Iss. 2. P. 282–295.