Применение методов глубокого машинного обучения для структурного анализа рудных тел и прогнозирования оптимальных зон добычи

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

О.В. Панина , А.М. Беляев, Н.А. Завалько, С.Г. Еремин, О.А. Сагина
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №1 / 2025 p. 177-183

Резюме: В статье рассматривается применение методов глубокого машинного обучения для анализа структуры рудных тел и прогнозирования оптимальных зон добычи полезных ископаемых. Исследование нацелено на разработку методологии использования глубокого обучения для повышения эффективности геологоразведочных и добычных процессов. Для решения поставленных задач применялись современные архитектуры нейронных сетей, включая сверточные и рекуррентные модели. Эмпирической базой выступил массив геологических данных по месторождениям различных типов. Результаты демонстрируют значительное повышение точности структурного анализа рудных тел (до 95%) и эффективности прогнозирования высокопродуктивных зон (прирост добычи до 15%). Внедрение разработанных подходов способно обеспечить снижение затрат на геологоразведку до 30% и уменьшение экологических рисков за счет оптимизации добычных работ. Полученные выводы имеют высокую ценность для теории и практики применения искусственного интеллекта в горнодобывающей отрасли, открывая перспективы для дальнейших исследований в этом направлении.

Ключевые слова: глубокое машинное обучение, геологоразведка, структурный анализ, рудные тела, зоны добычи, нейронные сети

Для цитирования: Панина О.В., Беляев А.М., Завалько Н.А., Еремин С.Г., Сагина О.А. Применение методов глубокого машинного обучения для структурного анализа рудных тел и прогнозирования оптимальных зон добычи. Горная промышленность. 2025;(1):177–183. https://doi.org/10.30686/1609-9192-2025-1-177-183

Информация о статье

Поступила в редакцию: 19.12.2024

Поступила после рецензирования: 22.01.2025

Принята к публикации: 23.01.2025

Информация об авторах

Панина Ольга Владимировна – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: opanina@fa.ru

Беляев Александр Матвеевич – доктор социологических наук, профессор кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: abelyaev@fa.ru

Завалько Наталья Александровна – доктор экономических наук, профессор кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: nazavalko@fa.ru

Еремин Сергей Геннадьевич – кандидат юридических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: SGEremin@fa.ru

Сагина Оксана Александровна – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; e-mail: oasagina@fa.ru

Список литературы

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).