Application of deep machine learning methods for structural analysis of ore bodies and prediction of optimal mining zones

DOI: https://doi.org/10.30686/1609-9192-2025-1-177-183

Читать на русскоя языкеO.V. Panina , A.M. Belyaev, N.A. Zavalko, S.G. Eremin, O.A. Sagina
Financial University under the Government of the Russian Federation, Moscow, Russian Federation
Russian Mining Industry №1 / 2025 p. 177-183

Abstract: The article studies application of deep machine learning methods to analyze the structure of ore bodies and prediction of optimal zones of mining mineral deposits. The research is aimed at developing a methodology of using deep learning to improve efficiency of the exploration and mining processes. Contemporary neural network architectures, including the convolutional and recurrent models, were used to solve the problems identified. An array of geological data on various types of deposits was used as an empirical base. The results demonstrate a significant increase in the accuracy of structural analysis of ore bodies (up to 95%) and in the efficiency of forecasting high-yield zones (up to 15% gain in production). Implementation of the developed approaches has the potential to reduce exploration costs by up to 30% and reduce environmental risks by optimizing mining operations. The obtained conclusions are of high value for the theory and practical application of artificial intelligence in the mining industry, opening prospects for further research in this direction.

Keywords: deep machine learning, exploration, structural analysis, ore bodies, mining zones, neural networks

For citation: Panina O.V., Belyaev A.M., Zavalko N.A., Eremin S.G., Sagina O.A. Application of deep machine learning methods for structural analysis of ore bodies and prediction of optimal mining zones. Russian Mining Industry. 2025;(1):177–183. (In Russ.) https://doi.org/10.30686/1609-9192-2025-1-177-183

Article info

Received: 19.12.2024

Revised: 22.01.2025

Accepted: 23.01.2025

Information about the authors

Olga V. Panina – Cand. Sci. (Econ.), Associate Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, Russian Federation; e-mail: opanina@fa.ru

Alexander M. Belyaev – Dr. Sc

i. (Sociol.), Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, Russian Federation; e-mail: abelyaev@fa.ru

Natalia A. Zavalko – Dr. Sci. (Econ.), Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, Russian Federation; e-mail: nazavalko@fa.ru

Sergey G. Eremin – Cand. Sci. (Law), Associate Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, Russian Federation; e-mail: SGEremin@fa.ru

Oksana A. Sagina – Cand. Sci. (Econ.), Associate Professor of the Department of State and Municipal Administration, Financial University under the Government of the Russian Federation, Moscow, Russian Federation; e-mail: oasagina@fa.ru

References

1. Ахметсафин Р. Д., Ахметсафина Р. З. Применение методов машинного обучения для прогноза или замещения недостающих каротажных данных. Известия высших учебных заведений. Приборостроение. 2021;64(7):532–541. https://doi.org/10.17586/0021-3454-2021-64-7-532-541 Akhmetsafin R.D., Akhmetsafina R.Z. Applying machine learning methods to predict or replace missing logging data. Journal of Instrument Engineering. 2021;64(7):532–541. (In Russ.) https://doi.org/10.17586/0021-3454-2021-64-7-532-541

2. Гришин И.А., Козлова А.Е., Дёрина Н.В., Великанов В.С., Хамидулина Д.Д., Логунова Т.В. Реализация возможностей использования беспилотных летательных аппаратов в горном деле. Уголь. 2022;(5):36–41. https://doi.org/10.18796/0041-5790-2022-5-36-41 Grishin I.A., Kozlova A.E., Dyorina N.V., Velikanov V.S., Khamidulina D.D., Logunova T.V. Implementing the potential of unmanned aerial vehicle in mining. Ugol’. 2022;(5):36–41. (In Russ.) https://doi.org/10.18796/0041-5790-2022-5-36-41

3. Еремин Н.А., Черников А.Д. Методология автоматизированной подготовки данных для машинного обучения нейросетевых моделей в интеллектуальных системах выявления и прогнозирования осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин. Экспозиция Нефть Газ. 2024;(5):24–30. Eremin N.A., Chernikov A.D. Methodology of automated data preparation for machine learning of neural network models in intelligent systems for identifying and predicting complications and emergency situations during the construction of oil and gas wells. Exposition Oil Gas. 2024;(5):24–30. (In Russ.)

4. Козлова О.Ю. Опыт применения и перспективы развития имитационного моделирования в горном деле. Уголь. 2022;(5):42–45. https://doi.org/10.18796/0041-5790-2022-5-42-45 Kozlova O.Yu. Experience in application and development prospects of simulation modeling in mining. Ugol’. 2022;(5):42–45. (In Russ.) https://doi.org/10.18796/0041-5790-2022-5-42-45

5. Махмутов И.Р., Евдощук А.А., Грандов Д.В., Плиткина Ю.А., Амосова И.Н., Волков В.А. Применение современных методов ГИС и алгоритмов машинного обучения при обосновании типизации пород на месторождениях Ванкорского кластера. Геология нефти и газа. 2020;(6):77–86. Makhmutov I.R., Evdoshchuk A.A., Grandov D.V., Plitkina Yu.A., Amosova I.N., Volkov V.A. Substantiation of rocks typification in the fields of the Vankor cluster: application of modern well logging methods and machine learning algorithms. Russian Oil and Gas Geology. 2020;(6):77–86.

6. Морозова В.И., Логунова Д.И. Прогнозирование методом машинного обучения. Молодой ученый. 2022;(21):202–204. Режим доступа: https://moluch.ru/archive/416/92048/ (дата обращения: 15.12.2024). Morozova V.I., Logunova D.I. Making prediction using machine learning method. Molodoi Uchenyi. 2022;(21):202–204. (In Russ.) Available at: https://moluch.ru/archive/416/92048/ (accessed: 15.12.2024).

7. Николаенко С.В., Коваленко А.А., Натеганов А.Э., Крук П.Н., Дерюшев А.Б. Опыт применения машинного обучения при анализе сейсмических данных для выделения тектонических нарушений в различных сейсмогеологических условиях. Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2024;24(1):49–55. https://doi.org/10.18500/1819-7663-2024-24-1-49-55 Nikolaenko S. V., Kovalenko A. A., Nateganov A. E., Kruk P. N., Deryushev A. B. Application of machine learning in the analysis of seismic data to identify tectonic faults in various seismogeological conditions. Izvestiya of Saratov University. Earth Sciences. 2024;24(1):49–55. (In Russ.) https://doi.org/10.18500/1819-7663-2024-24-1-49-55

8. Осипов А.В., Плешакова Е.С., Гатауллин С.Т. Методы машинного обучения на основе данных геофизического мониторинга в задачах оптимизации производственных процессов. Компьютерная оптика. 2024;48(4):633–642. https://doi.org/10.18287/2412-6179-CO-1373 Osipov A.V., Pleshakova E.S., Gataullin S.T. Production processes optimization through machine learning methods based on geophysical monitoring data. Computer Optics. 2024;48(4):633–642. (In Russ.) https://doi.org/10.18287/2412-6179-CO-1373

9. Рыльникова М.В., Клебанов Д.А., Макеев М.А., Кадочников М.В. Применение искусственного интеллекта и перспективы развития аналитических систем больших данных в горной промышленности. Горная промышленность. 2022;(3):89–92. https://doi.org/10.30686/1609-9192-2022-3-89-92 Rylnikova M.V., Klebanov D.A., Makeev M.A., Kadochnikov M.V. Application of artificial intelligence and the future of big data analytics in the mining industry. Russian Mining Industry. 2022;(3):89–92. (In Russ.) https://doi.org/10.30686/1609-9192-2022-3-89-92

10. Скачкова Е.А., Аленин А.Л., Мокшин В.В. Исследование методов машинного обучения при анализе добычи и обслуживания нефтяных скважин. В кн.: Никоноров А.В. (ред.). Информационные технологии и нанотехнологии (ИТНТ-2022): сб. тр. по материалам 8-й Междунар. конф. и молодеж. шк., г. Самара, 23–27 мая 2022 г. Самара: Изд-во Самар. ун-та, 2022. Т. 4. С. 040822.

11. Соболев А.А., Галимьянов А.А. Анализ изменения технико-экономических показателей буровзрывных работ в зависимости от возрастания глубины разработки угольных месторождений дальнего востока. Уголь. 2022;(2):22–25. https://doi.org/10.18796/0041-5790-2022-2-22-25 Sobolev A.A., Galimyanov A.A. Technical and economical analysis of drilling and blasting parameters depending on the depths increase in coal mining. Ugol’. 2022;(2):22–25. (In Russ.) https://doi.org/10.18796/0041-5790-2022-2-22-25

12. Трыков А.В. Анализ возможностей применения методов машинного обучения для производственного планирования. Естественно-гуманитарные исследования. 2024;(5):637–642. Trykov A.V. Analysis of the possibilities of applying machine learning methods to production planning. EstestvennoGumanitarnye Issledovaniya. 2024;(5):637–642. (In Russ.)

13. Федотов И.С. Применение методов глубокого обучения для анализа больших данных. Вестник науки. 2024;4(8):196– 198. Режим доступа: https://www.вестник-науки.рф/article/17070 (дата обращения: 18.12.2024). Fedotov I.S. Application of deep learning methods for big data analysis. Vestnik Nauki. 2024;4(8):196–198. (In Russ.) Available at: https://www.вестник-науки.рф/article/17070 (accessed: 18.12.2024).

14. Храмов А.Г. Методы и алгоритмы интеллектуального анализа данных. Самара: Изд-во Самар. ун-та; 2019. 176 с.

15. Читалин А.Ф., Воскресенский К.И., Гришин Е.М., Сивков Д.В., Усенко В.В., Фомичев Е.В., Чикатуева В.Ю. Структурный анализ – необходимый инструмент при поисках и разведке рудных месторождений [презентация]. В: Майнекс Дальний Восток 2018, г. Магадан, 18–20 июля 2018 г. Режим доступа: https://igeotech.ru/wp-content/uploads/2020/04/4.-chitalin-a.f-strukturnyj-analiz-neobhodimyj-instrument-pri-poiskah-i-razvedke-rudnyh-mestorozhdenij_majneksdv2018magadan.pdf (дата обращения: 18.12.2024).