Сегодня, чтобы найти новое месторождение, геологи исследуют огромные территории. Они собирают пробы грунта, изучают снимки со спутников, анализируют данные бурения. Вся информация наносится на специализированную карту, которая разбивается на тысячи участков. Для каждого участка специалисты определяют тип породы, геологические изменения и наличие признаков руды. Чем больше территория, тем больше объемов данных, требующих обработки. Вручную это сделать невозможно — заняло бы годы. Поэтому геологи все чаще прибегают к использованию современных информационных технологий, в том числе искусственного интеллекта. Однако до сих пор существует серьезная проблема: нейросети не понимают геологических терминов, им нужны цифры. Имеющиеся методы перевода названий в числа либо перегружают компьютеры, либо не отвечают на главный вопрос о наличии и объемах руды на данном участке территории.
Ученые Пермского Политеха разработали математический алгоритм, который превращает профессиональные названия пород и описания участков в понятный для компьютера числовой код. По сути, это «переводчик» между геологами и нейросетями. При этом важные данные не теряются — компьютер видит не просто список геологических признаков, а понимает, какие из них действительно указывают на наличие руды. В результате нейросеть получает не избыточный массив цифр, а компактный и содержательный набор данных для анализа. Статья опубликована в научном журнале «Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления».
Разработка уникальна тем, что позволяет не просто констатировать наличие руды, а определять степень ее перспективности — высокую, среднюю или низкую. Такого подхода к обработке геологических данных нет ни в России, ни за рубежом. Эффективность метода подтверждена на реальных данных: точность составила 88 %, что соответствует уровню лучших мировых аналогов, при этом объем требуемой памяти сократился вдвое, а время обучения нейросети уменьшилось на треть.
— Рассмотрим на примере. Берем геологическую карту месторождения, разбитую на множество одинаковых ячеек, для каждой из которых известно, какая в ней порода, какие гидротермальные изменения, есть ли латеритная кора, а для уже изученных участков — еще и класс перспективности: высокий, средний, низкий или неперспективный. Алгоритм берет каждое отдельное описание — например, «гранитоиды» — и считает не только то, как часто оно встречается в ячейках определенного класса, но и то, как часто оно в них отсутствует. Из этих двух оценок получается контраст: если порода тяготеет к богатым участкам, он положительный, если к пустым — отрицательный, а если распределена равномерно — близок к нулю. Контрасты рассчитываются отдельно по каждому классу перспективности и проверяются на статистическую надежность, после чего усредняются с учетом значимости. Так каждое название породы превращается в одно-единственное число. Благодаря этому таблица для нейросети не разрастается на десятки новых столбцов — вместо тринадцати признаков остается шесть, и сеть анализирует компактный, но осмысленный набор данных, — поясняет Ассуму Херве Мэтью Нкрума, ведущий инженер кафедры «Информационные технологии и автоматизированные системы» ПНИПУ.
Разработка прошла проверку на реальных геологических данных золоторудного комплекса Агбау в Кот-д’Ивуаре. Программный код метода написан на Python — одном из самых популярных языков для научных вычислений.
Новый подход особенно ценен для слабоизученных территорий, где каждый лишний метр бурения и каждый день расчетов стоят огромных денег. Технология позволяет принимать решения быстрее, бурить меньше пустых скважин и точнее определять места залегания руды. Метод применим для любых геологических задач и может быть использован на всех этапах геологоразведки — от первичного анализа до построения детальных прогнозных карт.