Нейросетевая обработка данных рентгенофлуоресцентного анализа для экспресс-оценки качества железорудного концентрата

Ю.С. Бузыкова
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №3/ 2026 стр. 217-225

Резюме: Массовая доля железа и содержание основных примесей (SiO2, Al2O3, P, S) определяют как металлургическую ценность, так и рыночную стоимость железорудного концентрата, а требование «доменного» сырья с Fe > 69,5% и SiO2 < 3% диктует всё более жёсткие допуски по точности и оперативности контроля. Лабораторный рентгенофлуоресцентный анализ, основанный на фундаментальных параметрах и калибровке по стандартным образцам, обеспечивает приемлемую точность, однако при типовом времени обработки 15–40 мин на пробу перестаёт успевать за темпом современных обогатительных фабрик с часовой производительностью 3,5–4,8 тыс. т концентрата. Настоящая работа посвящена нейросетевой обработке первичных спектров рентгенофлуоресцентного анализа для экспресс-прогнозирования качества концентрата в режиме, сопоставимом с частотой технологических корректировок флотационной и магнитной схем. В основу положена выборка из 2140 парных наблюдений «спектр рентгенофлуоресцентного анализа – аттестованный химический анализ», собранных в сентябре 2024 – октябре 2025 г. на трёх обогатительных производствах Курской магнитной аномалии и сопоставимых по минералогическому составу образцах. Сопоставлены пять моделей: базовая PLS-регрессия, градиентный бустинг, одномерная свёрточная нейронная сеть (1D-CNN), остаточная сеть ResNet-1D и гибридная архитектура с механизмом внимания по спектральным каналам. Наилучший результат по массовой доле Fe достигнут гибридной моделью: RMSE = 0,17%, MAE = 0,12%, R2 = 0,987; по SiO2 – RMSE = 0,24%; время обработки одного спектра – 14 мс на GPU и 92 мс на CPU, что на два порядка меньше лабораторной процедуры. Расчёт годового экономического эффекта для обогатительной фабрики производительностью 15 млн т концентрата даёт сокращение операционных расходов на 38–52 млн руб. и прирост выручки за счёт стабилизации Fe в пределах ±0,2% на 310–470 млн руб. в ценах 2025 г. Полученные результаты подтверждают жизнеспособность нейросетевой экспресс-оценки качества как элемента цифрового контура обогатительной фабрики.

Ключевые слова: рентгенофлуоресцентный анализ, нейронная сеть, железорудный концентрат, экспресс-оценка качества, свёрточные сети, цифровизация обогащения, механизм внимания, обогатительная фабрика

Для цитирования: Бузыкова Ю.С. Нейросетевая обработка данных рентгенофлуоресцентного анализа для экспресс-оценки качества железорудного концентрата. Горная промышленность. 2026;(3):217–225. https://doi.org/10.30686/1609-9192-2026-3-217-225

Информация о статье

Поступила в редакцию: 29.03.2026

Поступила после рецензирования: 20.04.2026

Принята к публикации: 24.04.2026

Информация об авторе

Бузыкова Юлия Сергеевна – кандидат педагогических наук, доцент кафедры информационных технологий, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Список литературы

1. Najafabadipour A., Hassanzadeh F., Kordestani M. Advanced deep learning models for predicting elemental concentrations in iron ore mine using XRF data: a cost-effective alternative to ICP-MS methods. Environmental Geochemistry and Health. 2025;47(4):104. https://doi.org/10.1007/s10653-025-02419-7

2. Xiao Z., Li F., Lyu S., Wang Q. A deep learning approach for improving ore classification accuracy by double-stream heterogeneous data fusion of XRF. Microchemical Journal. 2026;220:116506. https://doi.org/10.1016/j.microc.2025.116506

3. Andric V., Kvascev G., Cvetanovic M., Stojanovic S., Bacanin N., Gajic-Kvascev M. Deep learning assisted XRF spectra classification. Scientific Reports. 2024;14:3666. https://doi.org/10.1038/s41598-024-53988-z

4. Xiao D., Le B.T., Ha T.T.L. Iron ore identification method using reflectance spectrometer and a deep neural network framework. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy. 2021;248;119168. https://doi.org/10.1016/j.saa.2020.119168

5. Chen T., Sun L., Yu H., Zeng P., Qi L. Online Fe grade monitoring of iron ore slurry by Morse wavelet transform and lightweight convolutional neural network based on LIBS. Spectrochimica Acta Part B: Atomic Spectroscopy. 2023;210:106821. https://doi.org/10.1016/j.sab.2023.106821

6. Zhou S., Yuan Z., Cheng Q., Weindorf D.C., Zhang Z., Yang J. et al. Quantitative analysis of iron and silicon concentrations in iron ore concentrate using portable X-ray Fluorescence (XRF). Applied Spectroscopy. 2020;74(1):55–62. https://doi.org/10.1177/0003702819871627

7. Silva A.C.P., Coimbra K.T.Z., Filho L.W.R., Pessin G., Correa-Pabón R.E. Monitoring of iron ore quality through ultra-spectral data and machine learning methods. AI. 2022;3(2):554–570. https://doi.org/10.3390/ai3020032

8. Patel A.K., Chatterjee S., Gorai A.K. Development of a machine vision system using the support vector machine regression (SVR) algorithm for the online prediction of iron ore grades. Earth Science Informatics. 2019;12(2):197–210. https://doi.org/10.1007/s12145-018-0370-6

9. Цхададзе Н.В., Кучковская Н.В., Бондаренко М.П., Фролова В.Б., Лазарев М.П. Разработка интеллектуальной системы управления жизненным циклом горнодобывающего предприятия на основе технологий индустрии 4.0 и циркулярной экономики. Горная промышленность. 2024;(5S):12–20. https://doi.org/10.30686/1609-9192-2024-5S-12-20

10. Лебедок А.В., Маркворт Л. Современное обогащение железной руды – вызовы и решения от ALLMINERAL. Горная промышленность. 2022;(3):84–88. https://doi.org/10.30686/1609-9192-2022-3-84-88

11. Chen Y., Liu Z., Zhao X., Sun S., Li X., Xu C. Soil heavy metal content prediction based on a deep belief network and random forest model. Applied Spectroscopy. 2022;76(9):1068–1079. https://doi.org/10.1177/00037028221104823

12. Viana A.Z., Månbro C., Jooshaki M., Parian M. Automated ore texture classification using μ-XRF imaging and unsupervised machine learning: correlation with surface hardness. Preprint. March 15, 2025. https://doi.org/10.2139/ssrn.5180401

13. Xiao D., Vu Q.H., Le B.T., Ha T.T.L. A method for mapping and monitoring of iron ore stopes based on hyperspectral remote sensing-ground data and a 3D deep neural network. Neural Computing and Applications. 2023;35(16):12221–12232. https://doi.org/10.1007/s00521-023-08353-y

14. Progorowicz J., Skoczylas A., Anufriiev S., Dudzik M., Stefaniak P. Estimation of final product concentration in metalic ores using convolutional neural networks. Minerals. 2022;12(12):1480. https://doi.org/10.3390/min12121480

15. Lobo A, Garcia E, Barroso G, Martí D, Fernandez-Turiel J-L, Ibáñez-Insa J. Machine learning for mineral identification and ore estimation from hyperspectral imagery in tin–tungsten deposits: simulation under indoor conditions. Remote Sensing. 2021;13(16):3258. https://doi.org/10.3390/rs13163258

16. Шкодинский С.В., Крупнов Ю.А., Романцова Т.В. Многофакторный анализ рисков современного финтеха на основе мультимодальной аналитики. Финансы: теория и практика. 2025;29(4):112–128. https://doi.org/10.26794/2587-5671-2025-29-4-112-128

17. Борисова О.В., Древинг С.Р., Лосева О.В., Федотова М.А. Меры финансовой господдержки и риск-факторы, влияющие на стоимость инвестиционных проектов по внедрению промышленных робототехнических комплексов. Финансы: теория и практика. 2025;29(3):20–34. https://doi.org/10.26794/2587-5671-2025-29-3-20-34

18. Михайлов А.Ю., Юсиф Н.Б., Ан Д. Как высокая эффективность рынка акций Чили влияет на энергопереход? Исследование на базе алгоритма оптимизации Deep seek. Финансы: теория и практика. 2025;29(1):181–194. https://doi.org/10.26794/2587-5671-2025-29-1-181-194

19. Федорова Е.А., Неврединов А.Р., Мелихов К.С., Ященко А.И. Влияние импортозамещения на рост производства минеральных продуктов и металлургии: краткосрочное и долгосрочное прогнозирование базовых отраслей национального хозяйства. Финансы: теория и практика. 2023;27(6):17–30. https://doi.org/10.26794/2587-5671-2023-27-6-17-30

20. Домбровская А.Ю., Бродовская Е.В. Оценка релевантности идентификации текстов об эмиграции большими языковыми моделями для мониторинга социальных медиа. Вестник Московского университета. Серия 10. Журналистика. 2025;(5):209–232. https://doi.org/10.55959/msu.vestnik.journ.5.2025.209232

21. Валькова Ю.Е. Использование технологий искусственного интеллекта для подготовки и написания научных статей. Информатика и образование. 2024;39(6):38–52. https://doi.org/10.32517/0234-0453-2024-39-6-38-52

22. Шендеров В.И. Применение больших данных и нейронных сетей для мониторинга и прогнозирования экологических изменений в России. Вопросы экологии. 2024;37(1):98–127. https://doi.org/10.25726/u2912-9651-3244-z