Нейросетевая модель для прогнозного картирования эндогенных месторождений золота

Рассмотрен вопрос разработки нейронной сети для моделирования неоднородного распределения минерализации на этапе разведки и освоения золоторудных месторождений. В многочисленных работах по реализации и использованию искусственных нейронных сетей предлагаются методы и модели, адаптированные для стадии регионального (мелкомасштабного) картирования с целью прогноза и оценки больших площадей с высокой степенью минерализации. Эти модели и методы, описанные в литературных источниках, не подходят для прогнозного картирования новых перспективных локальных зон с целью расширения зон эксплуатируемого месторождения, потому что определение классов уровней перспективности полезных ископаемых зависит не только от пространственных параметров (географического положения) целей, но и от других параметров, таких, как значения интенсивности минерализации (например, геохимического содержания минерала) в каждой точке цели, порогового значения минерализации и др. В процессе исследования выполнен анализ существующих методов прогнозного картирования перспективности полезных ископаемых. Сформулирована задача реализации архитектуры нейронной сети. Использовались следующие методы исследования: моделирование неоднородного распределения минерализации с использованием пространственной автокорреляции (зависимый параметр); выбор факторов, влияющих на неоднородность минерализации (независимые параметры); реализация архитектуры нейронной сети. Представлены результаты работы нейросетевой модели на экспериментальном этапе для прогнозного картирования перспективности полезных ископаемых на золоторудном комплексе «Агбау», расположенном в биримских образованиях палеопротерозойского возраста в Западной Африке.

Ключевые слова: искусственная нейронная сеть, прогнозное картирование перспективных месторождений полезных ископаемых, факторы, влияющие на минерализацию, критерий подтверждения минерализации, мелкомасштабное и крупномасштабное картирование, индекс Морана, реализация архитектуры нейронной сети.

Как процитировать:

Нкрума А. Х. М., Силина Т. С., Файзрахманов Р. А. Нейросетевая модель для прогнозного картирования эндогенных месторождений золота // Горный информационно-аналитический бюллетень. – 2025. – № 1-1. – С. 178–192. DOI: 10.25018/ 0236_1493_2025_11_0_178.

Благодарности:

Информация об авторах:

Ассуму Херве Мэтью Нкрума¹ — аспирант, e-mail: nkvetcho@gmail.com,
Силина Тамара Сергеевна — канд. геол.-минерал. наук, доцент, Уральский государственный горный университет, e-mail: tamarasil @mail.ru,
Файзрахманов Рустам Абубакирович¹ — д-р экон. наук, профессор, зав. кафедрой, e-mail: Fayzrakhmanov@gmail.com,
¹ Пермский национальный исследовательский политехнический университет.

 

Контактное лицо:

Силина Т.С., e-mail: tamarasil @mail.ru.

Список литературы:

1. Некрасов Е. М. Принципы выбора рудных районов для поиска золоторудных месторождений // Известия высших учебных заведений. Геология и разведка. — 2022. — № 63(6). — С. 77—86. DOI: 10.32454/0016-7762-2020-63-6-77-86.

2. Минбалеев А. В., Берестнев М. А., Евсиков К. С. Регулирование использования искусственного интеллекта в добывающей промышленности // Известия ТулГУ. Науки о Земле. — 2022. — № 2. — С. 509—525. DOI: 10.46689/2218-5194-2022-2-1-509-525.

3. Потехин Д. В., Галкин С. В. Применение технологии машинного обучения при моделировании распределения литотипов на пермокарбоновой залежи нефти Усинского месторождения // Записки Горного института. — 2023. — Т. 259. — С. 41—51. DOI: 10.31897/PMI.2022.101.

4. Майоров К. Н., Калашникова М. Т. Применение алгоритмов машинного обучения для решения задач нефтегазовой сферы // Интеллектуальные системы в производстве. — 2021. — № 3. — С. 55 — 64. DOI: 10.22213/2410-9304-2021-3-55-64.

5. 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. — С. 89—92. DOI: 10.30686/16099192-2022-3-89-92.

6. Ghezelbash R., Maghsoudi A., Carranza E. J. M. Optimization of geochemical anomaly detection using a novel genetic K-means clustering (GKMC) algorithm // Computers & Geosciences. 2020, vol. 134, article 104335. DOI: 10.1016/j.cageo.2019.104335.

7. Shirmard H., Farahbakhsh E., Müller R. D., Chandra R. A review of machine learning in processing remote sensing data for mineral exploration // Remote Sensing of Environment. 2022, vol. 268, article 112750. DOI: 10.1016/j.rse.2021.112750.

8. Шайбаков Р. А. Использование нейросетевого аппарата для идентификации границ геологических объектов / Технические науки: традиции и инновации. Сборник научных трудов международной научной конференции. — Челябинск, 2012. — С. 8—11.

9. Валиев Н. Г., Пропп В. Д., Колесников А. А., Беркович В. Х., Шадрин Д. М. Совершенствование технологии подземной добычи полиметаллических руд на Корбалихинском руднике АО «Сибирь-полиметаллы» // Известия вузов. Горный журнал. — 2022. — № 2. — С. 36—47.

10. Ghezelbash R., Maghsoudi A., Carranza E. J. Sensitivity analysis of prospectivity modeling to evidence maps: Enhancing success of targeting for epithermal gold, Takab district, NW Iran // Ore Geology Reviews. 2020, vol. 120, article 103394. DOI: 10.1016/j.cageo.2019.104335.

11. Daviran M., Maghsoudi A., Ghezelbash R., Pradhan B. A new strategy for spatial predictive mapping of mineral prospectivity: Automated hyperparameter tuning of random forest approach // Computers & Geosciences. 2021, vol. 148, article 104688. DOI: 10.1016/j.cageo.2021.104688.

12. Rigol-Sanchez J. P., Chica-Olmo M., Abarca-Hernandez F. Artificial neural networks as a tool for mineral potential mapping with GIS // International Journal of Remote Sensing. 2003, vol. 24, no. 5, pp. 1151—1156. DOI: 10.1080/0143116021000031791.

13. Красных С. С. Пространственная автокорреляционная модель внедрения цифровых технологий в бизнес Российской Федерации // Вестник Академии знаний. — 2020. — № 4 (39). — C. 228—235. DOI: 10.24411/2304-6139-2020-10467.

14. Shaw K. O., Goïta K., Germain M. Prospectivity mapping of heavy mineral ore deposits based upon machine-learning algorithms: Columbite-tantalite deposits in West-Central Côte d’Ivoire // Minerals. 2022, vol. 12, no. 11, article 1453. DOI: 10.3390/min12111453.

15. Osadebey M., Pedersen M., Arnold D., Wendel-Mitoraj K. Local indicators of spatial autocorrelation (LISA): Application to blind noise-based perceptual quality metric index for magnetic resonance images // Journal of Imaging. 2019, vol. 5, no. 1, article 20. DOI: 10.3390/jimaging5010020.

16. Осовский С. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. — М.: Финансы и статистика, 2002. — 344 с.

17. Portance K., Elysée K., Sow L., Marie L. Cartographie géotechnique par deep learning — Approche par réseaux de neurones artificiels // European Scientific Journal. 2019, vol. 15, pp. 233—251. DOI: 10.19044/esj.2019.v15n12p233.

18. Allou G., Boya T. K., Inza C., Eric B., Yacouba C. Etude metallogenique du prospect aurifere de Aoulo-Aoulo (Zone D’afema, sud est de la Cote d’Ivore) // European Scientific Journal. 2022, vol. 8. DOI: 10.19044/esipreprint.8. 2022.p313.

19. Гугали Ф., Котельников A. E. Особенности размещения золоторудных месторождений Алжира // Известия УГГУ. — 2023. — № 3(71). — С. 32—39. DOI: 10.21440/2307-2091-2023-332-39.

20. Ouedraogo B., Sié P., Issan K. Apport de la télédétection et des SIG à l’exploration d’un site aurifère: cas de Dodougou au Burkina Faso // Revue Burkinabè de la Recherche. 2020, vol. 39, pp. 71—84.

21. Pak U. S., Pak C. U. Detection of hydrothermal alteration zones using Landsat 8 OLI image: A case study of gold prospecting in Nyongwon Area, DPR Korea // Journal of the Indian Society of Remote Sensing. 2021, vol. 49, no. 9, pp. 2249—2259. DOI: 10.1007/s12524-021-01385-8.

22. El-Desoky H. M., Tende A. W., Abdel-Rahman A. M., Ene A., Awad H. A., Fahmy W., El-Awny H., Zakaly H. M. H. Hydrothermal alteration mapping using Landsat 8 and ASTER Data and geochemical characteristics of precambrian rocks in the Egyptian shield: A case study from Abu Ghalaga, Southeastern Desert, Egypt // Remote Sensing. 2022, vol. 14, no. 14, article 3456. DOI: 10.3390/rs1414 3456.