Штучний інтелект (ШІ) як технологія відомий з середини ХХ ст., однак впровадження у видобувну галузь відбувається зі значним запізненням, порівняно зі сферами IT, медицини, освіти. Зазначена обставина формує актуальну науково-практичну задачу, яка полягає в оцінці перспектив впровадження ШІ в Україні.
Аналіз висвітлення проблеми в літературі
В [1] вірно зазначено, що технології ШІ вперше почали застосовуватись в середині 80-хх років ХХ ст., однак це більше відносилось до роботи з даними, ніж для вирішення прикладних задач. В [2] наведено досвід застосування алгоритмів ШІ для вирішення основної проблеми яка супроводжує видобуток корисних копалин і полягає у підвищенні надійності виробництва. Надійність, в контексті видобутку корисних копалин, є базисом якості – філософської категорії, яка описує сукупність ознак і характеристик предмету незалежно від його стану і виражається безперервністю і безвідмовністю технічних систем.
Означена обставина є важливим уточненням, адже вона описує основну проблему проєктування в гірництві, яка полягає в пошуку оптимальної технології видобутку корисних копалин. Оптимальність полягає у пошуку способу розкриття, підготовки, експлуатації родовища на усіх стадіях життєвого циклу з максимальним і економічно доцільним вилученням корисної копалини. Доцільність визначається розвитком технологій та можливостей країни на території якої буде здійснюватися видобуток.
Відомі моделі освоєння родовищ базуються на тому, що на початку історії людство використовує ті корисні копалини, які є легкодоступними, а по мірі розвитку технологій будуть вилучатись із надр корисні копалини зі складною конфігурацією і змінним складом. Таким чином, відбувається постійне ускладнення задачі проєктування до вирішення якої наближаються шляхом поділу основної задачі на менші [3] та декомпозицією системи [4] – це є областю практичної реалізації алгоритмів машинного навчання.
Наразі основними галузями застосування є: підвищення безпеки праці, пошук оптимальних способів видобутку, вирішення логістичних задач, прогнозування показників розвитку постмайнінгових територій. Багатоваріантність та неоднорідність отриманої інформації визначають доцільність застосування ШІ-технологій.
Основна частина. Приклади застосування технологій на основі штучного інтелекту
Однією з основних галузей застосування ШІ-технологій в гірництві є збір даних про конфігурацію виробок і фактичний стан виймальних ділянок. Завдяки цьому відбувається збір, накопичення, аналіз інформації з метою оперативного управління процесами. Найбільш інноваційним є продукт Trimble RealWorks, який використовує технології штучного інтелекту для візуалізації конфігурації підземного простору. На Рис. 1 показано принцип роботи. Спочатку відбувається сканування площі, а потім обробка отриманих даних. Фактично, за допомогою технологій штучного інтелекту відбувається створення «цифрового двійника».
Область застосування комплексу Trimble RealWorks: геодезія та картографія, комунальне господарство, громадська безпека та криміналістика, транспортна інфраструктура.
Рис. 1. Принцип збору і управління даними під час видобутку руди в підземному просторі за допомогою комплексу Trimble RealWorks [5].
В роботі [6] описано досвід застосування ШІ-технології в комбінації з 3D моделюванням для обґрунтування зон підвищеної деформації на шахті «Ювілейна» (Україна).
Штучний інтелект для вирішення задач оптимізації
Для вирішення задач оптимізації застосовують IntelliSense.io (Mine.OS) це платформа «AI-driven Mine-to-Plant» [7]. Ця платформа допомагає розробити «цифрові двійники» для кожного етапу – від видобутку до збагачення. Якщо вірити інформації від розробника програмного забезпечення, то застосування ШІ-інструментів дозволяє на 16% скоротити використання хімічних реагентів на стадії вилуговування корисної копалини із гірничої маси, оптимізувати запаси, збільшити пропускну здатність транспортного ланцюжку, на 8% зменшити витрати на вилуговування в процесі видобутку міді, а також на 3% знизити витрати реагентів в процесі флотації. Основна галузь застосування – збагачення корисних копалин.
Платформа створює під кожного клієнта набір даних, а також надає можливість вибору ролей для роботи з даними. Розглянутий інструмент дозволяє створити цифровий профіль циклу збагачення корисної копалини – від видобутку, руху до збагачувальної фабрики, збагачення (на всіх стадіях), що дозволяє оптимізувати фізико-хімічний склад сировини. Якщо оцінювати досвід впровадження цього інструменту в Україні, то обмежуючими факторами є висока вартість ліцензії, відсутність україномовного інтерфейсу та орієнтованість на видобутку пластових та рудних корисних копалин.
Штучний інтелект для мінімізації техногенного навантаження на довкілля
Для задач боротьби з відвалоутворенням застосовують комплекс Maptek [8]. За допомогою розглянутого програмного забезпечення здійснюється не тільки екологічна оцінка, але і економічна оцінка отриманого прибутку. Також можна в часі відслідковувати проєкт. Основа реалізації програми – нейронні мережі, що дозволяє моделі постійно навчатись.
Ми розглянути три галузі застосування програмних комплексів на основі ШІ. Для оцінки перспектив слід провести SWOT-аналіз, результати якого наведено в Табл. 1.
Таблиця 1
SWOT-аналіз перспектив впровадження штучного інтелекту у видобувну галузь України
| Strengths (сильні сторони) | Weaknesses (слабкі сторони) |
| 1. Наявність наукових напрацювань з питань розробки родовищ корисних копалин. 2. Наявність масиву даних про гірничо-геологічні умови та фізико-хімічні характеристики корисних копалин. 3. Наявність кадрів, які можуть використовувати розглянуте програмне забезпечення [5, 7, 8]. | 1. Застаріле обладнання і технології, що ускладнює застосування сенсорів для збору даних в режимі реального часу. 2. Відсутність інвестицій для купівлі і обслуговування ліцензійного програмного забезпечення. 3. Фрагментарність даних. Більшість наявної інформації неоцифрована, неповна, недостовірна, неструктурована. |
| Opportunities (Можливості) | Threats (Загрози) |
| 1. Через руйнацію виробничих потужностей більшість рішень можна впровадити «з нуля». 2. Енергонезалежність. 3. Видобуток критичної сировини і нові ринки ЄС. | 1. Військові ризики. 2. «Відтік мізків». 3. Регуляторні бар’єри. |
Як видно із Табл. 1 ШІ-інструменти можуть вже зараз бути впровадженими, однак першочерговість і доцільність буде залежати виключно від якості даних, а також кваліфікації інженерного персоналу.
Основні висновки
В наведеному дослідженні було проаналізовано існуючий стан впровадження технологій штучного інтелекту у видобувну галузь, а також оцінено перспективи застосування в умовах України. Якщо підсумовувати результати аналізу то першочергова задача, яку буде вирішено за допомогою штучного інтелекту, полягатиме в підвищенні безпеки праці під час розробки родовищ підземним способом.
Нейронні мережі та алгоритми машинного навчання дозволяють прогнозувати раптові викиди вугілля, газу, вугільного пилу. Це пов’язано з тим, що існує постійний та достовірний потік даних з яким можна працювати. Окрім цього, паралельно можна вирішувати задачі з розробки планів ліквідації аварій під час виникнення позаштатних ситуацій, які обумовлені природними чинникам. В подальшому будуть вирішуватись задачі відслідковування потоку корисних копалин із місця видобутку до збагачувальної фабрики.
ШІ-інструменти дозволяють в режимі реального часу візуалізувати отриману інформацію та накопичувати набори даних. Однак, для повноти аналізу, слід навести і стримуючі чинники, які полягають у відсутності однорідності та достовірності даних, яке використовуються в ШІ-інструментах. Впровадження сервісів Maptek, IntelliSense.io, Trimble RealWorks це питання середньострокової перспективи і залежить від волі надрокористувачів, але вже зараз можна застосовувати штучний інтелект та нейронні мережі для прогнозування показників розвитку довкілля постмайнгових територій, імітаційного моделювання процесів видобутку, оптимізації логістичних операцій.
Перелік джерел інформації
- A. M. Ebid, “35 Years of (AI) in Geotechnical Engineering: State of the Art”, Geotech Geol Eng, 39, p. 637–690, 2020. https://doi.org/10.1007/s10706-020-01536-7
- H. Zhao, M. Zhao ta C. Zhu, “Reliability-based optimization of geotechnical engineering using the artificial bee colony algorithm”, KSCE Journal of Civil Engineering, vol. 20, no. 5, 1728–1736, 2015. https://doi.org/10.1007/s12205-015-0117-6
- A. O. Khorolskyi, M. Zelenakova, O. P. Krukovskyi, O. R. Mamaikin ta S. V. Delehan, “Strategic selection of coal mining enterprises’ industrial stock finalization based on the analytic hierarchy process (AHP method)”, Miner. resursy Ukrainy, vol. 4, p. 59–64, 2025. https://doi.org/10.31996/mru.2025.4.59-64
- S. Lousada, S. Delehan ta A. Khorolskyi, “Application of Dynamic Programming Models for Improvement of Technological Approaches to Combat Negative Water Leakage in the Underground Space”, Water, vol 16, no 14, p. 1952, 2024. https://doi.org/10.3390/w16141952
- “Trimble RealWorks. Office Software”. Geospatial Technology Solutions | Trimble Geospatial. URL: https://geospatial.trimble.com/en/products/software/trimble-realworks
- V. Bondarenko, I. Kovalevska, R. Halkov, O. Mamaikin ta I. Sheka, “Substantiation of methods for predicting early detection of increased deformation zones to ensure reuse of mine workings”, Collection Res. Papers Nat. Mining University, vol. 81, p. 7–17, 2025. https://doi.org/10.33271/crpnmu/81.007
- “Solvent Extraction Optimization”. IntelliSense.io. URL: https://www.intellisense.io/applications/solvent-extraction-optimization/
- “Maptek Evolution”. Maptek. URL: https://www.maptek.com/products/evolution/
В дописі використано матеріали наукової публікації Хорольський А.О., Мамайкін О.Р., Шевченко О.О., Сергієнко Р.
ШТУЧНИЙ ІНТЕЛЕКТ В ГІРНИЦТВІ: АНАЛІЗ ПЕРСПЕКТИВ ВПРОВАДЖЕННЯ В УКРАЇНІ. Міжнародна наукова конференція «Штучний інтелект у науці та освіті» (AISE 2026), 07 квітня 2026 року, Київ, Україна