Построение трехмерной модели месторождения с использованием принципов блочного моделирования и искусственных нейронных сетей

При развитии цифровых технологий и методов обработки геологической информации создаются предпосылки для разработки детализированных объемных моделей породных массивов. При помощи технологии распознавания образов, основанной на методе классификации и идентификации инженерно-геологических элементов, станет возможно построение трехмерной инженерно-геологической модели, где основой интерпретации результата является не субъективный характер модели, а математический аппарат. Разработанный метод позволяет осуществить оперативное построение трехмерной литологической модели, исключая этап построения каркасов, который на сегодняшний день требует больших временных затрат. Применение результатов исследования позволяет построить литологические модели, которые могут быть уточнены в автоматическом режиме при появлении дополнительных геологических данных. Это позволит оперативно управлять геологоразведочными работами, осуществлять планирование отработки месторождения с целью достижения требуемых значений качественных характеристик полезного ископаемого. Разработка нового метода построения трехмерных моделей месторождений полезных ископаемых при помощи искусственных нейронных сетей позволит не только повысить качество моделирования и интерпретации геологических данных, но и значительно ускорить обработку геологической информации, получаемой в результате геологоразведочных работ на всех этапах разработки месторождения и формирования техногенных массивов с сохранением требуемой точности и достоверности результатов. В результате создания блочной геологической модели месторождения полезного ископаемого при помощи искусственной нейронной сети появляется возможность оценивать модель математическими методами не только в двумерном пространстве, но и произвести пространственное районирование месторождения полезных ископаемых для более детального анализа.

Ключевые слова: горное дело, геологическое обеспечение недропользования, статистика, обработка данных, эксплуатационная разведка, геоинформатика, нормирование данных, рудное тело, нейронные сети, 3D моделирование, цифровое месторождение.
Как процитировать:

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.

Благодарности:
Номер: 10
Год: 2022
Номера страниц: 5-19
ISBN: 0236-1493
UDK: 550.8.053
DOI: 10.25018/0236_1493_2022_10_0_5
Дата поступления: 10.02.2022
Дата получения рецензии: 11.05.2022
Дата вынесения редколлегией решения о публикации: 10.09.2022
Информация об авторах:

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

 

Контактное лицо:

Мельниченко И.А., e-mail: kors-ilay@mail.ru.

Список литературы:

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

2. Mahmoodi O., Smith R. S., Tinkham D. K. Supervised classification of down-hole physical properties measurements using neural network to predict the lithology // Journal of Applied Geophysics. 2016, vol. 124, pp. 17—26. DOI: 10.1016/j.jappgeo.2015.11.006.

3. Сорокина А. С., Загибалов А. В. Практическое применение программного обеспечения Mineframe при построении блочной модели и подсчете запасов золоторудных месторождений // Горный информационно-аналитический бюллетень. — 2018. — СВ 27. — С. 65—72. DOI: 10.25018/0236-1493-2018-6-27-65-72.

4. Громов Е. В., Торопов Д. А. Повышение точности подсчета запасов с применением 3D моделирования (на примере месторождения «Партомчорр») // Горный информационно-аналитический бюллетень. — 2017. — СВ 23. — С. 158—166. DOI: 10.25018/02361493-2017-10-23-158-166.

5. Лихман А. А. Геологическая блочная модель как главный актив горнодобывающего предприятия // Недропользование XXI век. — 2020. — № 4 (87). — С. 170—175.

6. Аленичев В. М., Аленичев М. В. Повышение достоверности геоинформационного обеспечения при отработке техногенных месторождений // Горный информационно-аналитический бюллетень. — 2019. — № 11. — С. 172—179. DOI: 10.25018/0236-1493-201911-0-172-179.

7. Щенкова Е. С. Использование статистического и геостатистического аппарата при блочном моделировании (на примере золоторудного месторождения жильного типа) / Геология в развивающемся мире: сборник научных статей. — Пермь, 2019. — С. 517—520.

8. Чеклар М., Рыбар П., Михок Я., Энгел Я. Экономическая оценка месторождений полезных ископаемых на примерах блочных моделей открытых горных работ // Экономика и управление инновациями. — 2018. — № 1. — С. 46—59. DOI: 10.26730/2587-5574-2018-1-46-58.

9. Wang K., Zhang L. Predicting formation lithology from log data by using a neural network // Petroleum Science. 2008, vol. 5, no. 3, pp. 242—246. DOI: 10.1007/s12182-008-0038-9.

10. Войтеховский Ю. Л., Захарова А. А. Петрографические структуры и равновесия Харди-Вайнберга // Записки Горного института. — 2020. — Т. 242. — С. 133—138. DOI: 10.31897/PMI.2020.2.133.

11. Wood D. A. Lithofacies and stratigraphy prediction methodology exploiting an optimized nearest-neighbour algorithm to mine well-log data // Marine and petroleum geology. 2019, vol. 110, pp. 347—367. DOI: 10.1016/j.marpetgeo.2019.07.026.

12. Абрамян Г. О., Абрамян А. Г. О свойствах бинарных функций переходных вероятностей (в приложении к геометрии недр) // Маркшейдерский вестник. — 2019. — № 3(130). — С. 57—60.

13. Sahoo S., Jha M. K. Pattern recognition in lithology classification: modeling using neural networks, self-organizing maps and genetic algorithms // Hydrogeology Journal. 2017, vol. 25, no. 2, pp. 311—330. DOI: 10.1007/s10040-016-1478-8.

14. Gu Y., Bao Z., Song X., Patil S., Ling K. Complex lithology prediction using probabilistic neural network improved by continuous restricted Boltzmann machine and particle swarm optimization // Journal of Petroleum Science and Engineering. 2019, vol. 149, pp. 966—978. DOI: 10.1016/j.petrol.2019.05.032.

15. Воронин А. Ю. Геологическое районирование с позиции распознавания образов // Геоинформатика. — 2008. — № 1. — С. 13—18.

16. Asfahani Jamal, Ghani B. Abdul Ghani Self organizing map neural networks approach for lithologic interpretation of nuclear and electrical well logs in basaltic environment, Southern Syria // Applied Radiation and Isotopes. 2018, vol. 137, pp. 50—55. DOI: 10.1016/j.apradiso.2018.03.008.

17. Junxi Chen, Jorge Pisonero, Sha Chen, Xu Wang, Qingwen Fan, Yixiang Duan Convolutional neural network as a novel classification approach for laser-induced breakdown spectroscopy applications in lithological recognition // Spectrochimica Acta. Part B: Atomic Spectroscopy. 2020, vol. 166, article 105801. DOI: 10.1016/j.sab.2020.105801.

18. Valentin M. B., Bom C. R., Coelho J. M., Correia M. D., M.P. de Albuquerque, M.P. de Albuquerque, Fari E. L. A deep residual convolutional neural network for automatic lithological facies identification in Brazilian pre-salt oilfield wellbore image logs // Journal of Petroleum Science and Engineering. 2019, vol. 179, pp. 474—503. DOI: 10.1016/j.petrol.2019.04.030.

19. 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.

20. Mahmoodi O., Smith R. S., Tinkham D. K. Supervised classification of down-hole physical properties measurements using neural network to predict the lithology // Journal of Applied Geophysics. 2016, vol. 124, pp. 17—26. DOI: 10.1016/j.jappgeo.2015.11.006.

21. Ameur O.-Zaimeche, Zeddouri A., Heddam S., Kechiched R. Lithofacies prediction in non-cored wells from the Sif Fatima oil field (Berkine basin, southern Algeria). A comparative study of multilayer perceptron neural network and cluster analysis-based approaches // Journal of African Earth Sciences. 2020, vol. 166, article 103826. DOI: 10.1016/j.jafrearsci.2020.103826.

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

23. Imamverdiyev Y., Sukhostat L. Lithological facies classification using deep convolutional neural network // Journal of Petroleum Science and Engineering. 2019, vol. 174, pp. 216— 228. DOI: 10.1016/j.petrol.2018.11.023.

24. Yufeng Gu, Zhidong Bao, Xinmin Song, Shirish Patil, Kegang Ling Complex lithology prediction using probabilistic neural network improved by continuous restricted Boltzmann machine and particle swarm optimization // Journal of Petroleum Science and Engineering. 2019, vol. 179, pp. 966—978. DOI: 10.1016/j.petrol.2019.05.032.

Наши партнеры

Подписка на рассылку

Раз в месяц Вы будете получать информацию о новом номере журнала, новых книгах издательства, а также о конференциях, форумах и других профессиональных мероприятиях.