ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ДЛЯ КЛАСТЕРИЗАЦІЇ З ВИКОРИСТАННЯМ ІНДЕКСУ НЕБЕЗПЕКИ ХВОСТОСХОВИЩ ТА ЇХ ВПЛИВУ НА НАВКОЛИШНЄ СЕРЕДОВИЩЕ

Анотація

В статті виконано аналіз небезпечного впливу хвостосховищ утворених від промислового виробництва на навколишнє середовище методами машинного навчання з метою їх кластеризації. При різних розмірах хвостосховищ, їх токсичності та параметрів була визначена їх положення в кластерах, що дозволило класифікувати стан рівня їх небезпеки. Зроблено порівняльний аналіз підходів машинного навчання та інших методів пошуку аналогів для визначення потенційної небезпеки хвостосховищ. За допомогою методу DBSCAN було визначено хвостосховища, які за своїми параметрами потрапляли до кореневого, граничного та шумового кластерів. Всі хвостосховища, що потрапили до кореневого та граничного кластерів, було класифіковано наступним методом кластеризації – k-середніх, і вони були розподілені до одного з чотирьох кластерів. Кластеризація методом k-середніх будувалася на вибірках даних хвостосховищ шляхом порівняння метрики відстані між витягнутими в одновимірний вектор матрицями суміжності. Наведено результати оцінки роботи алгоритму, що підтверджують, що моделювання та пошук центрів кластеризації за допомогою k-середніх є більш комплексним рішенням задачі в порівнянні з методом агломеративної кластеризації, який було приведено до порівняння k-середніх. Таким чином точність використаного підходу кластеризації виявився вищою, ніж у існуючих класичних алгоритмах кластеризації. Метою роботи є кластеризація хвостосховищ, що утворені від діяльності промислового виробництва, за рівнем їх небезпечного впливу на навколишнє середовище з використанням методів машинного навчання. Методологія. Для досягнення мети використані методи машинного навчання та аналізу даних, що реалізуються в рамках фреймворку Sklearn мови програмування Python, використаний пакет роботи з даними pandas, що дозволяє обробляти великі масиви даних з використанням гнучкої системи форматування та запитів до них. Групування даних здійснювалося з використанням групи методів навчання без вчителя (unsupervised learning): алгоритмів кластеризації DBSCAN, кластерного аналізу методом ієрархічної деревоподібної кластеризації та методом k-середніх, методу головних компонентів. Наукова новизна. Наукова новизна полягає у виборі способів кластеризації хвостосховищ за допомогою методів кластерного аналізу. Висновки. За допомогою методів машинного навчання виконана кластеризація хвостосховищ, в залежності від ступеня їх небезпеки для навколишнього середовища.