#геология, бурение, нейросеть, машинное обучение
Геология
Подробнее
На данный момент большинство геолого-минералогических конференций не обходится
без разделов касающихся проблем современной геологии, в том числе внедрения цифровых
систем автоматического анализа данных. Например, в нефтедобывающей отрасли нейросети,
использующиеся для самых разных целей (планирование буровых работ, локализация нефтяных
ловушек, прогноз дебета скважин и др.), уже не являются чем-то новым (Фазылова, 2007;
Анисимов, 2018; Никитин, 2020) , а в сфере твёрдых полезных ископаемых этот подход
находится в зачаточной стадии вследствие большей комплексности исследований горных пород
и руд. На всех горно-добычных производствах без исключения существуют задачи ускорения,
удешевления и увеличения эффективности техпроцессов – иными словами усовершенствования
процессов обогащения минерального сырья. Это возможно реализовать несколькими способами:
за счёт повышения скорости и/или точности контроля перерабатываемых руд или посредством
точечной настройки режимов обогащения. При нередких сбоях в ходе производства товарной
продукции (концентратов и хвостов) компании несут дополнительные издержки, которых в ряде
случаев можно было бы избежать, прибегнув к предлагаемой технологии.
Алгоритмы машинного обучения (Machine Learning – ML) предназначены для обработки,
классификации и оценки большого количества данных (BigData). Минеральное сырьё – есть ни
что иное, как BigData – так как состоит из огромного количества уникальных объектов –
минеральных зёрен, кристаллов или их агрегатов. Первые опыты с алгоритмами машинного
зрения показывают, что нейросетевые технологии отлично справляются с отличением
минеральных видов ничуть не хуже человеческого глаза (Кёйсе, 2012; Коршунов, 2020).
Дальнейшее более глубокое обучение нейросети, пополнение базы её данных, а также более
тонкая настройка её параметров (архитектуры, математических функций и т.п.) под конкретные
задачи, позволят достигнуть точности, не уступающей человеку, а возможно даже
превосходящей его по продуктивности.
Обычно пробы на мелких и крупных горнодобывающих производствах в рамках внешнего
и внутреннего контроля проходят регулярные проверки либо упрощёнными химическими
методами прямо на производстве, либо длительными химическими анализами (методами мокрой
химии) у подрядчиков. Качество обогащения и извлечение полезных компонентов зачастую
зависят от качества исходных руд: неоднородности соотношений добываемых руд и вмещающих
их пород, неоднородности распределения полезных компонентов (золота, ЭПГ, алмазов и т.п.)
Как в пределах руд, так и в пределах месторождения в целом. Также встречаются случаи
неточной интерпретации результатов геологоразведочных работ, что в последствии приводит к
некорректному выбору режимов обогащения. Внедрение искусственного интеллекта в
технологический цикл переработки позволяет снизить влияние человеческого фактора на оценку
и прогноз технологических свойств минерального сырья.
Помимо сложности самих геологических объектов трудности по реализации инноваций
на производстве вносит консервативный подход большей части горнодобывающей
промышленности, внедрение новшеств в которую происходит крайне постепенно. Это
обусловлено с одной стороны дороговизной горно-обогатительных процессов, а с другой –
задержками, связанными с отбором, транспортировкой и подготовкой минерального сырья к
исследованиям.
Отличительной особенностью выбранного подхода при разработке приложения и
технологии цифровой обработки алгоритмами ML и MV является использование обучающих
материалов (эталонных коллекций минеральных зёрен), полученных методом
«Новое в познании процессов рудообразования», ИГЕМ РАН, Москва, 2021 г.
53
электроимпульсной дезинтеграции и гидросепарации (Рудашевский, 2018). Эмпирические
данные получаются из реальных объектов, обеспечена представительность за счёт использования
схожих геологических объектов различной дислокации - как в пределах РФ, так и среди
крупнейших месторождений мира. Исходя из обилия существующих библиотек и решений на
основе алгоритмов машинного обучения и машинного зрения, в процессе разработки
определяются наиболее эффективные алгоритмы для определения минералов.
Приложение реализуется на языке C++_ универсальном для большинства
общераспространённых операционных систем - Windows, Linux, MacOS. Базы данных, как и
основные вычисления планируется реализовать на мощностях облачных технологий –
виртуальных хранилищ и виртуальных ЭВМ.
Алгоритм, на котором будет основано определение минералов, представлен на рисунке 1,
его можно разделить на 3 этапа:
- определение зерна как самостоятельного тела и его оконтуривание, оконтуривание
сростков и включений
- определение площади, формы и оптических качеств зерна, а также расчёт их
производных.
- диагностика минерала и определение вероятностей того, что это именно тот минерал,
исходя из качеств зерна и возможных погрешностей.
Универсальность выбранного подхода к анализу вещества открывает широкий спектр
возможностей для внедрения нейросетевых решений в различные сферы недропользования в
«Новое в познании процессов рудообразования», ИГЕМ РАН, Москва, 2021 г.
54
области добычи ТПИ, а также в другие технологические циклы, предполагающие работу с
сыпучим материалом. Экспрессность, независимость от человеческого фактора и стандартный
подхода позволяют улучшить качество всех контрольных измерений и снизить погрешности. Для
универсальности и повышения воспроизводимости результатов в выбучающих выборках и
алгоритмах машинного обучения используются международные базы данных (Webmineral,
Mindat) и стандарты документации. Поэтому на нынешнем уровне представленный проект
преимущественно востребован для использования на рудообогатительных комбинатах,
фабриках, перерабатывающих обогащённые руды, хвосты обогащения различных руд. Наиболее
эффективным видится применение разработанного интеллектуального комплекса на россыпных
месторождениях благородных металлов и драгоценных камней. Возможно также применение на
фабриках, занимающихся переработкой различных сыпучих отходов (техногенные образования
и т.п.), в том числе содержащих благородные и цветные металлы (лежалые хвосты обогащения,
отходы цифровой техники, микросхем, каталитических конвертеров).
Помимо прочего наш подход не будет требовать дополнительной пробоподготовки, то
есть анализ будет проводится непосредственно на материале, полученном в ходе
технологического процесса.
Анисимов Д. И. Исследование возможности применения искусственных нейронных сетей для
расчета эксплуатационных свойств нефтепродуктов // Сборник трудов XII всероссийская научно-
техническая конференция «Актуальные проблемы развития нефтегазового комплекса россии». 2018. С. 3-
12. Коршунов Д.М., Хвостиков А.В., Кочкарёв А.В., Богуславский М.А. и Крылов А.С. Использование
алгоритмов глубокого обучения для сегментации и анализа минералов на изображениях аншлифов. //
«Новое в познании процессов рудообразования». ИГЕМ РАН. 2020.
Рудашевский Н. С., Рудашевский В. Н., Антонов А. В. Универсальная минералогическая
технология исследования пород, руд и технологических продуктов // Региональная геология и
металлогения. 2018. №73. C. 88-102.
Фазылова М.В. Алгоритм обучения нейронных сетей для задач диагностики состояния
оборудования нефтегазовой отрасли // Сетевое издание «Нефтегазовое дело». 2007.
Köse C., Alp I., Ikiba C. Statistical methods for segmentation and quantification of minerals in ore
microscopy // minerals engineering. 2012. V. 30. № 2. Р. 19—32.
Nikolay O. Nikitin, Ilia Revin, Alexander Hvatov, Pavel Vychuzhanin and Anna V. Kalyuzhnaya Hybrid
and automated machine learning approaches for oil fields development: the case study of volve field, North Sea
// Preprint submitted to geoscience frontiers. 2020.
Богданов Г. В.1,2, Чумаков А. В. 1,2, Аликин О. В.1
1ООО «ЦНТ Инструментс», г. Санкт-Петербург
2СПбГУ, г. Санкт-Петербург grigory.b322@gmail.com
Рекомендации автора
Другие публикации автора
Контакты
Санкт-Петербург, шоссе Революции, 69И
Предложения