В области применения современных нейросетевых решений особое внимание заслуживает их использование на начальных этапах геологических исследований — в фазе разведки и изучения, когда конкретные данные о составе залежей отсутствуют или ограничены.
Эта технология становится ключевой для компаний в сфере добычи черных и цветных металлов, угля, фосфорсодержащих минеральных удобрений, а также нерудного строительного материала при необходимости оперативной обработки информации.
Практическая геология стоит перед рядом непростых задач, среди которых одна из наиболее значимых — это создание цифровых моделей инженерно-геологического и литологического характера. Без применения автоматизированных систем проектирования (АСП) и специализированного программного обеспечения для горной геологии инженерам приходится выполнять рутинные операции, что существенно увеличивает трудоемкость процессов.
Цифровизация в геологических исследованиях сегодня не просто тренд — это фундаментальный сдвиг. Благодаря интеграции информатики и геологии на основе искусственного интеллекта (ИИ) стало возможным разработать уникальные геоинформационные инструменты, которые объединяют глубокую аналитику данных о недрах Земли с использованием нейронных сетей.
Эти системы выступают в роли активного помощника для инженеров-геологов на всех стадиях поисковых работ, значительно ускоряя и оптимизируя процесс принятия решений.
На большинстве предприятий, расположенных на территории России, широко распространены зарубежные программные продукты, которые сложно использовать в ходе полевых работ. Кроме того, часть компаний прекратила продажу своих лицензий, что может негативно сказаться на производстве горных работ.
Классика плюс современные технологии
Сегодня при помощи современных технологий происходит разведка и разработка месторождения и чем этот процесс отличается от классических методов, которые применялись ранее.
«Технологически процессы не изменились, поменялись подходы к работе с данными, полученными в результате геологоразведочных работ. Первичная интерпретация геологической информации в полевых работах чаще всего остается классической — это формирование разреза (профиля) на плоскости листа и запись данных, полученных при проведении геологоразведочных работ, в буровой журнал. В дальнейшем информация структурируется и переносится на цифровой носитель для интерпретации в специализированных программных продуктах: CAD-системах и горно-геологических информационных системах (ГГИС)».
Нейронная сеть обучалась на открытых данных, полученных на стадии геологической разведки. Достоверность моделей оценили с помощью кросс-валидации, 97,65% блоков по рудному телу было предсказано правильно
Разработанный программный продукт поможет динамично строить объемную трехмерную модель месторождения без отрыва от полевых работ и анализировать полученный результат. Это позволит оперативно принимать решения — например, на каких изучаемых участках необходимо произвести сгущение разведочной сети и как сократить затраты на буровые работы на бесперспективных участках исследуемого поля.
Программа, в отличие от существующих решений, строит 3D-модель месторождения и оценивает количественное распределение полезного компонента в автоматизированном режиме с применением искусственных нейронных сетей, которые гораздо быстрее и точнее интерпретируют данные.
Нейронная сеть обучалась на открытых данных, полученных на стадии геологической разведки. Достоверность моделей оценили с помощью кросс-валидации, 97,65% блоков по рудному телу было предсказано правильно.
«Методы, которыми сейчас располагает отрасль для создания трехмерных моделей полезных ископаемых, недостаточно функциональны, они не позволяют динамично менять цифровые модели. Поэтому мы создали новый инструмент, использующий искусственные нейронные сети, чтобы упростить задачу. Алгоритм может использовать данные, полученные в ходе разведки и эксплуатации месторождения, и создавать блочную модель, которая меняется по мере изучения рудного массива. Модель показывает границу перехода от одной горной породы к другой и позволяет определить количество полезных компонентов, содержащихся в рудном теле».
Исходными данными для работы служат результаты опробования керновых или шламовых проб, записанные в файле формата Excel. Затем пользователь задает размер блока, по которому будет создаваться модель в границах месторождения.
В качестве коммерческого решения можно уже сегодня предложить MVP, который позволяет строить литологические модели месторождения и работать (на уровне бета-тестирования) с полезными компонентами, такими как золото, редкоземельные, черные металлы»
Программа работает с SQL-базами данных и сохраняет полученную информацию в любом удобном формате. Это позволяет интегрировать разработанный инструментарий в существующие горно-геологические информационные системы, такие как Micromine, ГЕОМИКС, Leapfrog Geo, GEOVIA Surpac».
Несколько отраслевых предприятий уже проявили интерес к продукту и выразили пожелания по доработке функционала.
«На сегодняшний день отработан и отлажен механизм отбития (перехода) границ литологических разностей, интерпретации процентного содержания полезного компонента (элемента) в блоках, которые находятся в межскважинном пространстве. В качестве коммерческого решения можно уже сегодня предложить систему, которая позволяет строить литологические модели месторождения и работать с полезными компонентами, такими как золото, редкоземельные, черные металлы».
Источник: https://stimul.online/, авторы: Илья Мельниченко, Марина Щёкина
