Создание модели распределения полезного компонента в железорудном месторождении

Инструментарий современных горно-геологических информационных систем позволяет производить построение каркасных и блочных моделей месторождений полезных ископаемых. Однако часть этапов создания моделей остается неавтоматизированной, что определяет необходимость достаточно большого количества времени для обновления моделей при получении новой или дополнительной информации. Разработанный метод построения трехмерной модели месторождения на основе искусственных нейронных сетей позволяет осуществить построение модели месторождения и количественно оценивать распределение полезного компонента в автоматизированном режиме с применением искусственных нейронных сетей (ИНС). На примере железорудного месторождения рассмотрено построение литологической модели месторождения, на основе которой затем была построена модель распределения полезного компонента в рудных телах. Обучение ИНС производилось на основании данных, полученных на стадии геологической разведки с применением стандартных методик. Структура сети была определена эмпирически с учетом отечественного и зарубежного опыта применения нейросетевых методов для обработки геологических данных. Оценка достоверности полученных моделей осуществлялась с использованием методов кросс-валидации. Полученные результаты показывают хорошую сходимость смоделированных данных и данных контрольных выборок. Следует отметить, что развитие предлагаемого метода построения моделей месторождений полезных ископаемых может найти широкое применение на стадии поисков, а также на предварительных стадиях разведки, в условиях, когда данных о составе и строении месторождений мало, но при этом требуется оперативная их обработка.

Кожухов А. А., Омельченко Д. Р., Мельниченко И. А., Ческидов В. В., Мосейкин В. В. Создание модели распределения полезного компонента в железорудном месторождении // Горный информационно-аналитический бюллетень. – 2023. – № 8. – С. 5–17. DOI: 10.25018/0236_1493_2023_8_0_5.

Кожухов Артем Александрович¹ — аспирант, e-mail: kozhuh@inbox.ru, ORCID ID: 0000-0002-9137-6315,
Омельченко Денис Русланович¹ — аспирант, e-mail: omelched@gmail.com, ORCID ID: 0000-0001-5419-4881,
Мельниченко Илья Ашотович¹ — канд. техн. наук, ассистент кафедры, e-mail: kors-ilay@mail.ru, ORCID ID: 0000-0002-0205-6425,
Ческидов Василий Владимирович¹ — канд. техн. наук, доцент, заместитель директора Горного института, e-mail vcheskidov@misis.ru,
Мосейкин Владимир Васильевич¹ — д-р техн. наук, профессор, e-mail: moseykin@inbox.ru, ORCID ID: 0000-0002-2286-1480,
¹ НИТУ «МИСиС».

Кожухов А.А., e-mail: kozhuh@inbox.ru.

1. Мельниченко И. А. Трехмерное геомоделирование границ литологических разностей железорудных месторождений на основе пространственно-координированных данных. Автореф. дис. … канд. техн. наук. — М.: НИТУ «МИСиС», 2021. — 30 с.

2. Jalloh A. B., Kyuro S., Jalloh Y., Barrie A. K. Integrating artificial neural networks and geostatistics for optimum 3D geological block modeling in mineral reserve estimation. A case study // International Journal of Mining Science and Technology. 2016, vol. 26, no. 4, pp. 581—585. DOI: 10.1016/j.ijmst.2016.05.008.

3. Jiateng Guo, Xulei Wang, Jiangmei Wang, Xinwei Dai, Lixin Wu, Chaoling Li, Fengdan Li, Shanjun Liu, Jessell M. W. Three-dimensional geological modeling and spatial analysis from geotechnical borehole data using an implicit surface and marching tetrahedra algorithm // Engineering Geology. 2021, vol. 284, article 106047. DOI: 10.1016/j.enggeo.2021.106047.

4. Melchers H., Crommelin D., Koren B., Menkovski V., Sanderse B. Comparison of neural closure models for discretised PDEs // Computers & Mathematics with Applications. 2023, vol. 143, pp. 94—107. DOI: 10.1016/j.camwa.2023.04.030.

5. Мельниченко И. А., Кожухов А. А., Омельченко Д. Р., Мосейкин В. В. Построение трехмерной модели месторождения с использованием принципов блочного моделирования и искусственных нейронных сетей // Горный информационно-аналитический бюллетень. — 2022. — № 10. — С. 5—19. DOI: 10.25018/0236_1493_2022_10_0_5.

6. Kulawiak M., Dawidowicz A., Pacholczyk M. E. Analysis of server-side and client-side Web-GIS data processing methods on the example of JTS and JSTS using open data from OSM and geoportal // Computers & Geosciences. 2019, vol. 129, pp. 26—37. DOI: 10.1016/j. cageo.2019.04.011.

7. Dhont D., Monod B., Hervouët Y., Backé G., Klarica S., Choy J. E. 3D geological modeling of the Trujillo block: Insights for crustal escape models of the Venezuelan Andes // Journal of South American Earth Sciences. 2012, vol. 39, pp. 245—251. DOI: 10.1016/j.jsames.2012.04.003.

8. Мельниченко И. А., Кириченко Ю. В. Пространственное районирование месторождений полезных ископаемых // Горный информационно-аналитический бюллетень. — 2021. — № 4. — С. 46—56. DOI: 10.25018/0236_1493_2021_4_0_46.

9. Lazreg M. B., Goodwin M., Granmo O.-C. Combining a context aware neural network with a denoising autoencoder for measuring string similarities // Computer Speech & Language. 2020, vol. 60, article 101028. DOI: 10.1016/j.csl.2019.101028.

10. Mohammadzaheri M., Chen L., Ghaffari A., Willison J. A combination of linear and nonlinear activation functions in neural networks for modeling a de-superheater // Simulation Modelling Practice and Theory. 2009, vol. 17, no. 2, pp. 398—407. DOI: 10.1016/j.simpat.2008.09.015.

11. Liang Yang, Ling-Xiao Zhao, Chun-Lu Zhang, Bo Gu Loss-efficiency model of single and variable-speed compressors using neural networks // International Journal of Refrigeration. 2009, vol. 32, no. 6, pp. 1423—1432. DOI: 10.1016/j.ijrefrig.2009.03.006.

12. Qi Gong, Wei Kang, Fariba Fahroo Approximation of compositional functions with ReLU neural networks // Systems & Control Letters. 2023, vol. 175, article 105508. DOI: 10.1016/j. sysconle.2023.105508.

13. Горбатенко В. Д., Ческидов В. В., Якубов М. М. Моделирование показателей качества поступающего на обогатительную фабрику минерального сырья при разработке Лебединского месторождения железистых кварцитов // Горный журнал. — 2022. — № 6. — C. 15—20. DOI: 10.17580/gzh.2022.06.02.

14. Ческидов В. В., Барабанов Н. Н., Ложкин М. О., Смирнов П. А., Лагутина А. А. Анализ закономерностей распределения соединений серы и железа на примере намывных техногенных массивов // Горный информационно-аналитический бюллетень. — 2021. — № 3. — С. 142—153. DOI: 10.25018/0236-1493-2021-3-0-142-153.

15. Vostrikov A. V., Prokofeva E. N., Goncharenko S. N., Gribanov I. V. Analytical modeling for the modern mining industry // Eurasian Mining. 2019, no. 2, pp. 30—35. DOI: 10.17580/ em.2019.02.07.

16. Гончаренко С. Н., Бердалиев Б. А. Методы прогнозирования и оценки техногенного и остаточного скопления урановых руд на месторождениях, отрабатываемых способом подземного скважинного выщелачивания // Горный информационно-аналитический бюллетень. — 2018. — № 5. — C. 43—48. DOI: 10.25018/0236-1493-2018-5-0-43-48.

17. Cтадник Д. А., Cтадник Н. М., Жилин А. Г., Лопушняк Е. В. Методические основы имплицитного моделирования месторождений твердых полезных ископаемых при автоматизированном проектировании // Горный информационно-аналитический бюллетень. — 2023. — № 5-1. — С. 185—197. DOI: 10.25018/0236_1493_2023_51_0_185.

18. Войтеховский Ю. Л., Захарова А. А., Климоченков М. Д. Моделирование петрографических структур. Статья 2 // Вестник геонаук. — 2020. — № 12. — C. 32—35. DOI: 10.19110/geov.2020.12.3.

19. Агафонов В. В., Зайцева Е. В., Яхеев В. В., Снигирев В. В., Гурков А. А. Имитационное моделирование функциональных структур технологических систем угледобывающих предприятий // Уголь. — 2022. — № 2. — С. 57—60. DOI: 10.18796/0041-5790-20222-57-60.

20. Войтеховский Ю. Л., Захарова В. В. Моделирование петрографических структур // Вестник геонаук. — 2020. — № 10. — С. 38—42. DOI: 10.19110/geov.2020.10.5.