Автоматизированное геологоразведочное картирование с помощью сверточных нейронных структур и рой-ориентированных методов сбора данных

DOI: https://doi.org/10.30686/1609-9192-2025-2-184-191

Н.Л. Красюкова, К.В. Харченко, О.А. Сагина, Е.И. Москвитина, Л.К. Бабаян
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №2 / 2025 стр.184-191

Резюме: Цель исследования заключается в разработке и апробации интегрированного подхода, обеспечивающего повышение точности, скорости и экономической эффективности процессов геологоразведки. Для достижения поставленной цели использованы методы глубокого обучения, рой-интеллекта, геоинформационного анализа и математического моделирования. Эмпирической базой исследования послужили данные, собранные с помощью роя беспилотных устройств на пилотных участках разведки. Полученные результаты свидетельствуют о значительном повышении точности классификации геологических объектов (до 95%), сокращении времени обработки данных (на 30–40%) и снижении затрат на геологоразведку (до 25%) при использовании предложенного подхода. Практическая ценность работы состоит в создании масштабируемого решения для автоматизации и оптимизации процессов геологоразведочного картирования, способствующего росту эффективности и экологической устойчивости геологических проектов.

Ключевые слова: геологоразведка, сверточные нейронные сети, рой-ориентированные методы, автоматизированное картирование, глубокое обучение, геоинформационный анализ

Для цитирования: Красюкова Н.Л., Харченко К.В., Сагина О.А., Москвитина Е.И., Бабаян Л.К. Автоматизированное геологоразведочное картирование с помощью сверточных нейронных структур и рой-ориентированных методов сбора данных. Горная промышленность. 2025;(2):184–191. https://doi.org/10.30686/1609-9192-2025-2-184-191

Информация о статье

Поступила в редакцию: 12.01.2025

Поступила после рецензирования: 27.02.2025

Принята к публикации: 01.03.2025

Информация об авторах

Красюкова Наталья Львовна – доктор экономических наук, профессор кафедры государственного и муниципального управления, 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.

Харченко Константин Владимирович – кандидат социологических наук, доцент кафедры государственного и муниципального управления, 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.

Сагина Оксана Александровна – кандидат экономических наук, доцент кафедры государственного и муниципального управления, 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.

Москвитина Екатерина Ильинична – кандидат экономических наук, ассистент кафедры государственного и муниципального управления, 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.

Бабаян Левон Каренович – ассистент кафедры государственного и муниципального управления, 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. Baraboshkin E.E., Ismailova L.S., Orlov D.M., Zhukovskaya E.A., Kalmykov G.A., Khotylev O.V. et al. Deep convolutions for indepth automated rock typing. Computers & Geosciences. 2020;135:104330. https://doi.org/10.1016/j.cageo.2019.104330

2. Cedou M., Gloaguen E., Blouin M., Caté A., Paiement J.-P., Tirdad S. Preliminary geological mapping with convolution neural network using statistical data augmentation on a 3D model. Computers & Geosciences. 2022;167: 105187 https://doi.org/10.1016/j.cageo.2022.105187

3. Courbariaux M., Hubara I., Soudry D., El-Yaniv R., Bengio Y. Binarized neural networks: Training deep neural networks with weights and activations constrained to +1 or –1. arXiv:1602.02830. https://doi.org/10.48550/arXiv.1602.02830

4. Jackisch R., Lorenz S., Zimmermann R., Möckel R., Gloaguen R. Drone-borne hyperspectral monitoring of acid mine drainage: An example from the Sokolov lignite district. Remote Sensing. 2018;10(3):385. https://doi.org/10.3390/rs10030385

5. Kumar C., Chatterjee S., Oommen T., Guha A. Automated lithological mapping by integrating spectral enhancement techniques and machine learning algorithms using AVIRIS-NG hyperspectral data in Gold-bearing granite-greenstone rocks in Hutti, India. International Journal of Applied Earth Observation and Geoinformation. 2020;86:102006. https://doi.org/10.1016/j.jag.2019.102006

6. Ramachandran R.K., Kakish Z., Berman S. I Information correlated Lévy walk exploration and distributed mapping using a swarm of robots. IEEE Transactions on Robotics. 2020;36(5):1422–1441. https://doi.org/10.1109/TRO.2020.2991612

7. Sang X., Xue L., Ran X., Li X., Liu J., Liu Z. Intelligent high-resolution geological mapping based on SLIC-CNN. ISPRS International Journal of Geo-Information. 2020;9(2):99. https://doi.org/10.3390/ijgi9020099

8. Shchur O., Mumme M., Bojchevski A., Günnemann S. Pitfalls of graph neural network evaluation. arXiv:1811.05868. https://doi.org/10.48550/arXiv.1811.05868

9. Wang C., Wang D., Gu M., Huang H., Wang Z., Yuan Y. et al. Bioinspired environment exploration algorithm in swarm based on Lévy flight and improved artificial potential field. Drones. 2022;6(5):122. https://doi.org/10.3390/drones6050122

10. Wang Y., Ksienzyk A.K., Liu M., Brönner M. Multigeophysical data integration using cluster analysis: assisting geological mapping in Trøndelag, Mid-Norway. Geophysical Journal International. 2021;225(2):1142–1157. https://doi.org/10.1093/gji/ggaa571

11. Лыгин В.С., Сирота А.А., Головинский П.А. Регуляризация процесса обучения графовых нейронных сетей методом распространения меток. Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024;(3):92–101. Режим доступа: https://journals.vsu.ru/sait/article/view/12441 (дата обращения: 27.12.2024). Lygin V.S., Sirota A.A., Golovinski P.A. Regularization of the learning process of graph neural networks using the label propagation method. Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies. 2024;(3):92–101. (In Russ.) Available at: https://journals.vsu.ru/sait/article/view/12441 (accessed: 27.12.2024).

12. Назаров Т.Р., Мамедова Н.А. Автоматизированное решение задачи детектирования промышленных объектов на ортофотоплане с помощью нейронной сети. Программные продукты и системы. 2023;(1):144–158. https://doi.org/10.15827/0236-235X.141.144-158 Nazarov T.R., Mamedova N.A. Automated solution of the problem of detecting industrial objects on a orthomosaic using a neural network. Software & Systems. 2023;(1):144–158. (In Russ.) https://doi.org/10.15827/0236-235X.141.144-158

13. Ронкин М.В., Акимова Е.Н., Мисилов В.Е., Решетников К.И. Обзор применения глубоких нейронных сетей и параллельных архитектур в задачах фрагментации горных пород. Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика. 2023;12(4):5–54. https://doi.org/10.14529/cmse230401 Ronkin M.V., Akimova E.N., Misilov V.E., Reshetnikov K.I. Review on application of deep neural networks and parallel architectures for rock fragmentation problems. Bulletin of the South Ural State University. Series: Computational Mathematics and Software Engineering. 2023;12(4):5–54. (In Russ.) https://doi.org/10.14529/cmse230401