Учёные Пермского Политеха предложили способ сократить издержки на геологоразведку и ускорить поиск полезных ископаемых почти вдвое. Новый математический алгоритм превращает профессиональные названия пород в понятный для компьютера числовой код. Об этом сообщили в пресс-службе ПНИПУ.
Ежегодные затраты на поиск новых месторождений золота, меди, алюминия и других стратегически важных металлов достигают сотен миллиардов рублей. При этом до 90% этих средств расходуются неэффективно: на каждое успешно обнаруженное месторождение приходится около десяти пробуренных впустую скважин. Стоимость каждой такой ошибки превышает сотни миллионов рублей, что неизбежно сказывается на конечной стоимости продукции и, соответственно, на потребителях.
Современные геологи исследуют обширные территории, собирая образцы грунта, анализируя спутниковые снимки и данные бурения. Вся собранная информация наносится на карту, которая делится на тысячи участков. С увеличением площади исследуемой территории растёт и объём данных, требующих обработки. Вручную этот процесс занял бы годы, поэтому всё чаще применяются технологии искусственного интеллекта. Однако нейросети не могут понимать геологические термины, им необходимы числовые данные. Существующие методы перевода геологических названий в числовую форму либо перегружают вычислительные системы, либо не дают ответа на главный вопрос о наличии руды.
Исследователи из ПНИПУ создали алгоритм, который преобразует профессиональные названия пород и описания геологоразведочных участков в числовой код, понятный для компьютера. Этот алгоритм можно назвать «переводчиком» между геологами и нейросетями. Благодаря ему важные данные не теряются, и компьютер способен распознавать признаки, указывающие на наличие руды. Нейросеть получает не избыточный массив цифр, а компактный и информативный набор данных.
Уникальность разработки заключается в том, что она позволяет не только определить наличие руды, но и оценить её перспективность — высокую, среднюю или низкую. Подобного подхода к обработке геологических данных нет ни в России, ни за её пределами. Эффективность метода была подтверждена на реальных данных: точность составила 88%, объём необходимой памяти сократился вдвое, а время обучения нейросети уменьшилось на треть.
Проверка алгоритма проводилась на данных золоторудного комплекса Агбау в Кот-д’Ивуаре. Программный код разработан на языке Python.
«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.
Новый подход особенно ценен для слабоизученных территорий, где каждый лишний метр бурения и каждый день расчётов стоят огромных денег. Метод применим для любых геологических задач — от первичного анализа до построения детальных прогнозных карт.
Российские учёные ускоряют не только поиск полезных ископаемых, но и работу самих нейросетей. Как рассказывала интернет-газета «ЖУК», учёные НИУ ВШЭ нашли способ ускорения нейросетей при помощи микролазеров.