Пространственное районирование месторождений полезных ископаемых

Оконтуривание рудных интервалов и построение рудных тел, как и создание литологических моделей месторождений полезных ископаемых, до сих пор остается одним из неавтоматизированных процессов, требующего непосредственного участия геолога. Цифровизация всех отраслей производства диктует условия, при которых количество операций с высокой долей человеческого участия постепенно сводится к необходимому и достаточному минимуму. Одним из процессов, автоматизация которого позволит минимизировать количество ручного труда при оконтуривании, является выделение литологических разностей, геологических тел и инженерно-геологических элементов. Предлагается метод определения границ литологических разностей, основанный на нейросетевых технологиях, для построения трехмерных моделей рудных тел (угольных пластов) и вмещающих пород с целью повышения качества геологического обеспечения, проектирования и планирования горных работ. Данный метод позволяет не только повысить качество, но и значительно ускорить обработку геологической информации, получаемой при опробовании массивов горных пород, на всех стадиях комплексного освоения различных участков недр. Разработанный метод построения трехмерных литологических моделей участков недр с использованием функциональных возможностей нейронных сетей позволяет осуществлять процесс моделирования в значительно более короткие сроки с сохранением требуемой точности и достоверности результатов.

Ключевые слова: добыча полезных ископаемых, геологическое обеспечение недропользования, статистика, обработка данных, эксплуатационная разведка, бурение скважин, нормирование данных, рудное тело, нейронные сети, 3D моделирование, цифровое месторождение.
Как процитировать:

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.

Благодарности:
Номер: 4
Год: 2021
Номера страниц: 46-56
ISBN: 0236-1493
UDK: 550.8.053
DOI: 10.25018/0236_1493_2021_4_0_46
Дата поступления: 03.12.2020
Дата получения рецензии: 15.01.2021
Дата вынесения редколлегией решения о публикации: 10.03.2021
Информация об авторах:

Мельниченко Илья Ашотович1 — аспирант, e-mail: kors-ilay@mail.ru,
Кириченко Юрий Васильевич1 — д-р техн. наук, профессор,
1 НИТУ «МИСиС».

 

Контактное лицо:

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

Список литературы:

1. 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.

2. 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. — CB 27. — С. 65–72. DOI: 10.25018/0236-1493-2018-6-27-65-72.

3. Громов Е. В., Торопов Д. А. Повышение точности подсчета запасов с применением 3D моделирования (на примере месторождения «Партомчорр») // Горный информационно-аналитический бюллетень. — 2017. — CB 23. — С. 158–166. DOI: 10.25018/0236-14932017-10-23-158-166.

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

5. 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.

6. 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.

7. 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: 10.26730/2587-5574-20181-46-58.

8. Ripley B. D. Pattern recognition and neural networks. Cambridge University Press, 2014. 403 p.

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. 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.

11. 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.

12. 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.

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

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.