ATT-CNN картирование порфировых Cu-Mo месторождений Удоканского типа
А.О. Кузьмина, М.Ю. Ильина, К.Е. Лукичев, Н.Г. Преснякова, А.А. Татарников
Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация
Горная Промышленность №1/ 2026 стр. 135-142
Резюме: Разведка медно-порфировых месторождений требует интеграции разнородных геопространственных данных для выявления слепого оруденения на глубинах до 2000 м. Сверточные нейронные сети с механизмом внимания (ATT-CNN) демонстрируют точность классификации 95–98% в задачах минерального прогнозирования. Удоканское медное месторождение с запасами 26,7 млн т Cu при содержании 1,05% представляет эталонный объект стратиформной Cu-Ag минерализации в протерозойских метаосадочных комплексах Забайкалья. Исследование базируется на интеграции геохимических данных по 20 элементам, гравиметрических и магнитометрических съемок, мультиспектральных снимков для участка 12 000 км2. Архитектура ATT-CNN включает четыре сверточных блока с канальным механизмом внимания после второго и четвертого блоков. Обучение проведено на выборке 473 рудопроявлений медно-порфирового типа Северо-Американских Кордильер с последующим трансферным обучением для Удоканского района. Модель достигла точности 94,87% при AUC = 0,987 против базовой CNN с AUC = 0,970. Анализ весов внимания выявил доминирующую роль геохимических аномалий Cu, Mo, Co и структурных параметров. Выделено шесть пермиссивных трактов площадью 100–800 км2 с вероятностью обнаружения промышленных концентраций 78–92%. Верификация показала, что 83% документированных рудопроявлений попадают в прогнозные контуры при охвате 9,7% территории.
Ключевые слова: глубокое машинное обучение, механизм внимания, геохимическое картирование, медные месторождения, Удоканское месторождение, прогнозное моделирование, трансферное обучение
Для цитирования: Кузьмина А.О., Ильина М.Ю., Лукичев К.Е., Преснякова Н.Г., Татарников А.А. ATT-CNN картирование порфировых Cu-Mo месторождений Удоканского типа. Горная промышленность. 2026;(1):135–142. https://doi.org/10.30686/1609-9192-2026-1-135-142
Информация о статье
Поступила в редакцию: 14.10.2025
Поступила после рецензирования: 16.12.2025
Принята к публикации: 24.12.2025
Информация об авторах
Кузьмина Анастасия Олеговна – кандидат экономических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; https://orcid.org/0009-0001-0755-7675; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Ильина Мария Юрьевна – кандидат экономических наук, старший преподаватель 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.
Лукичев Константин Евгеньевич – кандидат юридических наук, доцент кафедры государственного и муниципального управления, Финансовый университет при Правительстве Российской Федерации, г. Москва, Российская Федерация; https://orcid.org/0000-0003-1873-2608; e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Преснякова Надежда Геннадиевна – 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.
Татарников Артем Алексеевич – 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. 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
2. Zientek M.L., Chechetkin V.S., Parks H.L., Box S.E., Briggs D.A., Cossette P.M. et al. Assessment of undiscovered sandstone copper deposits of the Kodar-Udokan area, Russia. Scientific Investigations Report 2010-5090-M. Reston, VA: U.S. Geological Survey; 2014. 129 p. https://doi.org/10.3133/sir20105090M
3. Ali S.H., Giurco D., Arndt N., Nickless E., Brown G., Demetriades A. et al. Mineral supply for sustainable development requires resource governance. Nature. 2017;543(7645):367–372. https://doi.org/10.1038/nature21359
4. Popadyuk N.K., Bratarchuk T.V., Babayan L.K., Laffakh А.М. The green transition and development problems of fuel and energy sector in Russia. Eurasian Mining. 2024;(2):46–49. https://doi.org/10.17580/em.2024.02.10
5. Perelló J., Sillitoe R.H., Yakubchuk A.S., Valencia V.A., Cornejo P. Age and tectonic setting of the Udokan sedimenthosted copper-silver deposit, Transbaikalia, Russia. Ore Geology Reviews. 2017;86:856–866. https://doi.org/10.1016/j.oregeorev.2016.11.004
6. Xiong Y., Zuo R., Carranza E.J.M. Mapping mineral prospectivity through big data analytics and a deep learning algorithm. Ore Geology Reviews. 2018;102:811–817. https://doi.org/10.1016/j.oregeorev.2018.10.006
7. Chechetkin V.S., Yurgenson G.A., Narkelyun L.F., Trubachev A.I., Salikhov V.S. Geology and ores of the Udokan copper deposit: A review. Russian Geology and Geophysics. 2000;41(5):710–722. Available at: https://pubs.geoscienceworld.org/nsu/rgg/article-abstract/41/5/710/647434/GEOLOGY-AND-ORES-OF-THE-UDOKAN-COPPER-DEPOSIT-A (accessed: 11.10.2025).
8. Li Q., Chen G., Luo L. Mineral prospectivity mapping using attention-based convolutional neural network. Ore Geology Reviews. 2023;156:105381. https://doi.org/10.1016/j.oregeorev.2023.105381
9. Ильина И.Ю., Красюкова Н.Л. Оплата труда преподавателей вузов в условиях модернизации высшей школы: динамика и дифференциация. Экономика. Налоги. Право. 2025;18(3):100–111. https://doi.org/10.26794/1999-849X-2025-18-3-100-111
10. Шедько Ю.Н., Харченко К.В., Зуденкова С.А., Москвитина Е.И., Бабаян Л.К. Синергетический подход к управлению карьерами с применением больших данных и интеллектуальных систем предиктивной аналитики. Горная промышленность. 2025;(1):154–160. https://doi.org/10.30686/1609-9192-2025-1-154-160
11. Zavalko N.A., Belyaev A.M., Krasyukova N.L., Eremin S.G. The use of green technologies by Russian oil and gas companies in oil and gas production and their effect on reduction of carbon footprint. Eurasian Mining. 2025;(1):65–68. https://doi.org/10.17580/em.2025.01.12
12. Dong Y.-L., Zhang Z.-J. Deep forest modeling: An interpretable deep learning method for mineral prospectivity mapping. Journal of Geophysical Research: Machine Learning and Computation. 2024;1(4):e2024JH000311. https://doi.org/10.1029/2024JH000311
13. Харченко К.В. Совершенствование кластерного ландшафта региона как фактор обеспечения экономической безопасности. Экономика. Налоги. Право. 2025;18(2):98–106. https://doi.org/10.26794/1999-849X-2025-18-2-98-106
14. Изотова Г.С., Еремин С.Г., Галкин А.И. Оптимизация процессов стратегического планирования в системе государственного и муниципального управления Российской Федерации. Экономика. Налоги. Право. 2025;18(1):87-94. https://doi.org/10.26794/1999-849X-2025-18-1-87-94
15. Yang F., Zuo R., Xiong Y., Wang J., Zhang G. An interpretable attention branch convolutional neural network for identifying geochemical anomalies related to mineralization. Journal of Geochemical Exploration. 2023;252:107274. https://doi.org/10.1016/j.gexplo.2023.107274
16. McClenaghan M.B., Paulen R.C., Smith I.R., Rice J.M., Plouffe A., McMartin I. et al. Review of till geochemistry and indicator mineral methods for mineral exploration in glaciated terrain. Geochemistry: Exploration, Environment, Analysis. 2023;23(4):013. https://doi.org/10.1144/geochem2023-013
17. Sun K., Chen Y., Geng G., Lu Z., Zhang W., Song Z. et al. A review of mineral prospectivity mapping using deep learning. Minerals. 2024;14(10):1021. https://doi.org/10.3390/min14101021
18. Красюкова Н.Л., Панина О.В., Еремин С.Г., Зубенко А.В., Лаффах А.М. Интеллектуальное прогнозирование смещения грунта с использованием параллельных нейросетевых моделей и высокоточных геодезических измерений. Горная промышленность. 2025;(2):106–112. https://doi.org/10.30686/1609-9192-2025-2-106-112
19. Gongalsky B., Velivetskaya T., Taskaev V. Mineral and S-Isotope Compositions of Cu-Sulfide Deposits in Southern Siberia (Kodar-Udokan Region), Russia. Minerals. 2024;14(3):228. https://doi.org/10.3390/min14030228
20. Красюкова Н.Л., Зубец А.Ж., Еремин С.Г., Зубенко А.В., Лаффах А.М. Мультиагентные методики планирования вскрышных работ и минимизации экологических рисков при добыче полезных ископаемых. Горная промышленность. 2025;(1):170–176. https://doi.org/10.30686/1609-9192-2025-1-170-176
21. Xu Y., Zuo R. An interpretable graph attention network for mineral prospectivity mapping. Mathematical Geosciences. 2024;56(2):169–190. https://doi.org/10.1007/s11004-023-10076-8
22. Ayuso R.A., Barton M.D., Blakely R.J., Bodnar R.J., Dilles J.H., Gray F. et al. Porphyry copper deposit model. Scientific Investigations Report 2010-5070-B. Reston, VA: U.S. Geological Survey; 2010. 169 p. https://doi.org/10.3133/sir20105070b
23. Кадырова Г.М., Красюкова Н.Л., Рождественская И.А., Токмурзин Т.М., Воронова Е.И. Адаптивная оптимизация транспортных потоков внутри подземных выработок на базе методов искусственного интеллекта. Горная промышленность. 2025;(1):137–146. https://doi.org/10.30686/1609-9192-2025-1-137-146
24. Hu J., Shen L., Sun G. Squeeze-and-Excitation Networks. In: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, 18–23 June 2018. IEEE; 2018, pp. 7132–7141. https://doi.org/10.1109/CVPR.2018.00745
25. Singer D.A., Berger V.I., Moring B.C. Porphyry Copper Deposits of the World: Database and Grade and Tonnage Models, 2008. Open-File Report 2008-1155. Reston, Virginia: U.S. Geological Survey; 2008. 45 p. Available at: https://pubs.usgs.gov/of/2008/1155/ (accessed: 27.12.2024).
