Прогноз технического состояния низконапорных грунтовых плотин с использованием методов машинного обучения

Цель исследований – разработка вероятностной модели прогноза технического состояния однородных грунтовых плотин IV класса для сооружений, возраст которых превысил 25 лет, эксплуатирующихся без персонала и применения контрольно-измерительной аппаратуры. Материалами исследований стали данные разового экспертного обследования, выполненного в 1991-2020 гг. на более чем 1000 бесхозяйных гидроузлах Московского региона. Использование методов искусственного интеллекта – в частности, машинного обучения, для выборки, включающей в себя 947 плотин, и последующая валидация прогнозной модели на выборке из 160 сооружений подтвердили высокую предсказательную способность полученной модели. Модель имела хорошие статистические оценки качества; точность классификации по ошибкам второго рода составляла 89% по обучающей выборке и 94% по валидационной выборке. В результате исследований выявлена степень влияния возраста плотины, ее высоты и наличия крепления верхового откоса на сохранение ее работоспособного состояния. Модель проста в использовании и не требует специализированного программного обеспечения. Результаты исследований могут быть использованы собственниками сооружений или службами эксплуатации для планирования на перспективу финансовых средств, необходимых для поддержания плотин в работоспособном состоянии.

1. Козлов Д.В. Безопасность и эксплуатационная работоспособность грунтовых плотин на водных объектах Московского региона // Гидротехника. 2021. № 1. С. 56-59. EDN: HHGKET

2. Dam T.T., Pisaniello J., Burritt R. Small dams: A big cause for concern in Vietnam // International Water Power and Dam Construction. 2011. Vol. 63. Pр. 18-22.

3. Jun S.M., Kang M.S., Song I., Hwan S.H., Kim K., Park J. Effects of agricultural reservoir rehabilitationon their flood control capacities // J. Korean Soc. Agric. Eng. 2013. Vol. 55. Pр. 57-68.

4. Kondolf M., Yi J. Dam Renovation to Prolong Reservoir Life and Mitigate Dam Impacts // Water. 2022. Vol. 14. 1464. https://doi.org/10.3390/w14091464

5. Amini A., Abdollahi A., Hariri-Ardebili M.A., Lall U. Copula-based reliability and sensitivity analysis of aging dams: Adaptive Kriging and polynomial chaos Kriging methods // Applied Soft Computing. 2021. Vol. 109. 107524. https://doi.org/10.1016/j.asoc.2021.107524

6. Pisaniello J., Mckay J. (2003). A Farmer-Friendly Dam Safety Evaluation Procedure As A Key Part of Modern Australian Water Laws // Water International. 2003. Vol. 28. Pр. 90-102. https://doi.org/10.1080/02508060308691668

7. Белов П.Г. Априорная оценка и снижение риска аварии гидротехнического сооружения на основе моделирования // Безопасность труда в промышленности. 2019. № 2. С. 26-34. https://doi.org/10.24000/0409-2961-2019-2-26-34

8. Едаменко А.С., Лежанко В.А. Диагностика опасностей гидротехнических сооружений на примере Белгородского // Технологии техносферной безопасности. 2020. № 2 (88). С. 63-73. https://doi.org/10.25257/TTS.2020.2.88.63-73

9. Fan Z., Jiang S., Zhang M. Dynamic probability evaluation of safety levels of earth-rockfill dams using Bayesian approach // Water Science and Engineering. 2009. Vol. 2, Iss. 2. Pр. 61-70. https://doi.org/10.3882/j.issn.1674-2370.2009.02.007

10. Абдразаков Ф.К., Панкова Т.А., Щербаков В.А. Факторы, влияющие на эксплуатационное состояние гидротехнических сооружений // Аграрный научный журнал. 2016. № 10. С. 56-61. EDN: WXBEVX

11. Kozlov D.V., Snezhko V.L., Simonovich O.S. Safety forecast for of low-hazard earth dams beyond their standard service life // Power Technology and Engineering. 2023. Т. 56, № 6. С. 795-800.

12. Akbar A.Q., Mitani Y., Nakanishi R., Honda H., Taniguchi H., Djamaluddin I. Integrated Statistical Modeling for Regional Landslide Hazard Mapping in 0-Order Basins // Water. 2025. Vol. 17 (17). 2577. https://doi.org/10.3390/w17172577

13. Kaboré M.P.J., Lawane A., Yonaba R., Biaou A.C., Nadjibou A., Pantet A. Why Do Small Earth Dams Deteriorate: Insights from Physical Investigations in the West African Sahel // Resources. 2024. Vol. 13. 71. https://doi.org/10.3390/resources13060071

14. Акпасов А.П., Морозов М.И., Греков Д.А., Кадомцева М.Е. и др. Комплексная оценка технического состояния гидроузла на реке Малый Чембар в Пензенской области // Природообустройство. 2025. № 3. С. 53-62. https://doi.org/10.26897/1997-6011-2025-3-53-62. EDN: DQYDRX

15. Akhilbekov M., Snezhko V. Predicting the safety level of small earth dams using binary choice models // E3S Web of Conferences. 2025. Vol. 670. 02002 https://doi.org/10.1051/e3sconf/202567002002

16. Masrom S., Abdul Samad N.H., Septiyanti R., Roslan N., Rahman A. Machine learning prediction for academic misconduct prediction: an analysis of binary classi􀃀cation metrics // Bulletin of electrical engineering and informatics. 2024. Vol. 13 (1). Pр. 388-395. https://doi.org/10.11591/eei.v13i1.5629

17. Vabalas A., Gowen E., Poliakoff E., Casson AJ. Machine learning algorithm validation with a limited sample size // PLOS ONE. 2019. Vol. 14 (11). e0224365. https://doi.org/10.1371/journal.pone.0224365