Искусственный интеллект будет строить карты месторождения вместо геологов

19.12.2017



Российские ученые из Кольского научного центра Российской академии наук разработали метод автоматического трехмерного картирования месторождений полезных ископаемых. Это позволит геологам точнее планировать разработку месторождений и увеличит количество извлекаемых полезных компонентов. Результаты последней работы ученых опубликованы в журнале Scientific Reports и представлены на Юбилейном съезде Российского минералогического общества «200 лет РМО». Исследования поддержаны грантом Российского научного фонда (РНФ).

«Воззрения геолога, а именно научная школа, к которой он принадлежит, очень сильно влияют на то, как он описывает месторождение. Существуют международные классификации для отдельных пород, но при полевых исследованиях ученые картируют горизонты, пачки, слои, толщи, которые являются уже комплексами пород. А как выделить комплекс — это воля художника. Так, на одной территории, для одних и тех же пород могут быть выделены разные пачки. И чтобы совместить выделенные разными людьми комплексы пород, иногда необходимо проводить дополнительные исследования. Предложенная методика позволит преодолеть эту субъективность», — рассказывает первый автор статьи, кандидат геолого-минералогических наук Андрей Калашников.

Авторы работы предложили четыре способа определения минерального состава породы по результатам химических анализов. Это означает, что можно выяснить, из каких минералов, рудных и нерудных, состоит горная порода, зная только химический (валовый) состав породы.

Первоначально ученые рассчитали состав пород без примесей. Вторым способом расчета распространения минералов был учет влияния нескольких независимых параметров на распространение каждого минерала (множественная линейная регрессия).

Третий метод предсказания минерального состава основан на определении типа породы по химическому составу с помощью искусственной обучающейся нейронной сети. Для обучения использовали партию образцов, 30% из которых имели известный состав и являлись тестовыми и проверочными. В расчетах использовали несколько функций, из которых выбрали наиболее походящую, сравнив полученные результаты с геологическими данными.

Четвертым способом стала логическая схема оценки типов породы. Это своего рода контролируемое обучение или «распознавание образов», которое происходит под руководством человека. В зависимости от химического состава пород их последовательно делят на группы по минеральному составу. Для всех расчетов ученым достаточно мощного персонального компьютера.

Авторы сравнили все четыре способа расчета минерального состава и построили трехмерные карты распространения типов фоскоритов, сопоставив их с описаниями пород, предоставленными геологической службой Ковдорского горно-обогатительного комбината. Оказалось, что прогнозы расположения пород, полученные методом расчета состава без примесей и методом учета нескольких параметров, не соответствовали геологическим данным о взаимоотношениях пород. Таким образом, ученые доказали, что эти методы нецелесообразно использовать.

А вот трехмерные карты, полученные при работе с обучающейся нейросетью и логической оценкой типов породы, хорошо сходятся с данными геологической службы. По мнению ученых, эти методы помогут достаточно быстро создавать более точные, унифицированные модели месторождений. При этом на созданные карты не будет влиять «человеческий фактор»: существующие и порой противоречащие друг другу научные концепции о происхождении объекта, а также выделение разного количества типов пород разными геологами.

Помимо практического применения и улучшения качества добываемой руды, построение достоверных моделей геологических объектов поможет ответить на фундаментальные научные вопросы. «Точные модели месторождений позволят лучше понять их происхождение, а значит, приблизят нас к пониманию работы всей системы «планета Земля»», — считает Андрей Калашников.

©РАН 2018