Автоматизированное картирование металлотектов с использованием методов глубокого машинного обучения

Аннотация

В докладе рассматриваются возможности применения методов глубокого машинного обучения к анализу площадных геолого-геофизических данных при решении задач прогноза рудоносности. Отмечается рост эффективности нейросетевых подходов в задачах распознавания образов, начиная с 2010-х годов, и их потенциальная применимость к пространственным данным геонаук.

Кратко изложены основы искусственных нейронных сетей и сверточных архитектур, показана аналогия между обработкой изображений и трансформацией геофизических полей. Подчёркивается, что в начальных слоях сети извлекаются локальные, мелкомасштабные признаки, тогда как в глубоких слоях формируются обобщённые элементы структуры, сопоставимые с трансформантами геофизических полей.

Основное внимание уделено методике Mineral Prospectivity Mapping как способу построения карт перспективности на основе априорных физико-геологических моделей. Обсуждаются ограничения, связанные с дефицитом обучающих данных, субъективностью геологической разметки, неоднородностью и нерегулярностью геофизических наблюдений.

На примере Центрально-Колымского района и Омчакского рудного узла показана практическая реализация подхода с использованием сверточной нейросети типа UNet для распознавания интрузивных массивов, литологических комплексов и элементов рудного контроля. Делается вывод о применимости методики для площадного геологического картирования и прогноза полезных ископаемых при условии экспертной интерпретации результатов.

Похожие материалы

• Россыпи Восточного Саяна — проблемные вопросы и возможности открытия новых объектов
• Практическое программирование ИИ: пример решения задачи множественной регрессии и классификации данных с обучением.
• Обстановки формирования крупных и сверхкрупных меднопорфировых месторождений
• Металлогеническая специализация крупных изверженных провинций и роль глубинных мантийных плюмов в формировании крупных и гигантских месторождений (Cu-Ni-ЭПГ).