Сравнительный анализ современных отечественных и мировых тенденций прогнозирования крупных месторождений стратегических и высокотехнологичных металлов

А.В. Волков — д.г.-м.н., заведующий лабораторией Геологии рудных месторождений, главный научный сотрудник ИГЕМ РАН









А.Л. Галямов — к.г.-м.н., старший научный сотрудник ИГЕМ РАН

Прогнозно-поисковые модели на основе дальнейшей разработки концепции рудообразующих систем

Понятие и термин «прогнозно-поисковые модели» появились в конце прошлого столетия, когда в результате геологоразведочных работ на месторождениях полезных ископаемых был накоплен огромный объем геологической информации. Систематизация обширного материала обусловила формирование представлений о теории прогнозирования и поисково-разведочных работах. Появились разработки о комплексировании методов и приемов прогнозирования, поисков и разведки, о геологических и прогнозно-поисковых моделях разных типов месторождений. Основной вклад в разработку этой проблемы был внесен коллективами отраслевых институтов МПР и институтами, находящимися под научным руководством РАН.

Основными принципами изучения недр и составления комплексных моделей геологических объектов (рудообразующих систем) традиционно являются методы последовательного приближения, аналогии и выборочной детализации.

Изучение крупных минеральных систем и выделение потенциальных металлогенических провинций и зон с предварительной оценкой прогнозных ресурсов Р3 обеспечивается региональными прогнозно-металлогеническими работами. При среднемасштабных исследованиях составляются тематические карты масштабов 1:200000 и 1:50000 с проведением сопровождающих поисков и выделением потенциальных рудных районов и полей с ресурсами категории Р₂. Локальными поисково-оценочными работами выявляются и оцениваются объемы потенциальных месторождений с подсчетом ресурсов категории P₁ и запасов категории C₂.

Под рудообразующей системой [1] понимается комплекс взаимосвязанных процессов генерации рудоносных флюидов, их миграции к поверхности и разгрузки на геохимических барьерах, определяющих формирование аномальных скоплений полезных ископаемых. Определение рудообразующей (минеральной) системы по мировым источникам [2] аналогична концепции нефтяной системы, но из-за особенностей природы рудных месторождений и вмещающих пород минеральная система гораздо более разнообразна и сложна.

В таких системах принято выделять корневую зону (область магмо- и флюидозарождения), зону транспорта (тепломассопереноса) и зону концентрированного рудоотложения. Для изучения, как правило, доступна лишь зона рудоотложения, которая реализуется в виде ареала развития оруденения, гидротермально измененных пород и ореолов рассеяния рудного вещества, выделяемых в качестве рудных узлов.

Для формирования рудного месторождения требуется источник металлов, агенты транспортировки (флюиды или магмы) и область осаждения или накопления руд. Объединяющая все эти процессы рудообразующая система включает все геологические и геодинамические факторы на всех масштабных уровнях, которые контролируют возникновение, развитие и сохранение рудных месторождений.

Выделению рудообразующих систем должны сопутствовать: (1) локальные исследования на известных месторождениях, включая изучение их геологического строения, типов горных пород, расположение потенциальных рудовмещающих структур, физико-химические процессы рудообразования; (2) исследования регионального масштаба, включающие изучение геодинамического контроля размещения рудных месторождений, физико-химических процессов в масштабе крупного геологического блока, определяющих формирование рудных месторождений; эволюции магм и других источников энергии и флюидов в масштабе рудообразующей системы.



В таблице 1 приведена краткая характеристика 8 главных рудообразующих систем высокотехнологичных критических металлов России: расслоенных интрузивов основных пород (магматическая базитовая и ультрабазитовая); скарново-порфировая и порфирово-эпитермальная; орогенная (в том числе связанная с интрузивами гранитоидов); связанная с щелочными гранитами; ультраосновных-щелочных пород и карбонатитов; колчеданно-вулканогенная и осадочно-вулканогенная; осадочных бассейнов; россыпей и кор выветривания.

В соответствии с полученными данными и составляются комплексные модели разномасштабных металлогенических объектов (провинций, зон, рудных районов и полей, месторождений, рудных тел), которые можно рассматривать как минеральные (рудообразующие) системы различных иерархических уровней. Региональные прогнозно-поисковые модели составляются с целью металлогенического районирования, что предполагает анализ региональной обстановки (карт), отражающей свойства минеральной системы, и выявление площадей с сочетанием ее признаков, перспективных для выявления месторождений. Для металлогенических зон и рудных районов сочетание признаков соответствует уровню масштабности, присущих этим таксонам; их набор характеризуется обобщенным сочетанием формационных и геоструктурных факторов и геодинамических условий их проявления. Составление локальных прогнозно-поисковых моделей имеет целью использовать различные локальные проявления свойств рудообразующей системы, проявленной в эталонном месторождении, для поиска новых месторождений этого типа. В рудных полях характеристика модели более детальная и соответствует масштабу ГРР.

Прогнозно-поисковые модели составляются на основе рудно-формационной или геолого-промышленной типизации и состоят из элементов-признаков, отражающих закономерные проявления минеральной (рудообразующей) системы в: 1) геодинамических, 2) геолого-структурных, 3) стратиграфических, 4) литологических, 5) минералогических, 6) геохимических, 7) геофизических и других характеристиках геологической среды. Соответственно, комплексная многофакторная модель минеральной (рудообразующей) системы состоит из элементарных моделей (геодинамических, геолого-структурных и т.д.), отражающих то или иное свойство минеральной системы.

Модели на основе анализа пространственных данных с использованием ГИС

Объем данных геолого-геофизических исследований и разведки полезных ископаемых, генерируемых, хранящихся и анализируемых сегодня, значительно увеличился по сравнению с предыдущими десятилетиями, а также увеличилось разнообразие данных, что привело к более сложным задачам анализа пространственных данных и необходимости в более эффективных аналитических процедурах. ГИС — это мощный инструмент, используемый в горнодобывающей промышленности для картирования и анализа рудных месторождений. ГИС можно использовать для определения и отслеживания местонахождения рудных месторождений, а также для моделирования и анализа геологии рудного месторождения.

Общая методология ГИС-анализа заключается в изучении пространственно-временной роли различной геодинамической природы блоков земной коры в локализации и времени образования металлоносных геологических формаций и связанных с ними месторождений полезных ископаемых.

Для проведения ГИС-анализа применялись методические приемы, заложенные в аналитический аппарат ARCMAP, MAPINFO и других картографических математико-аналитических систем. Наиболее эффективными показали себя устоявшиеся методы выявления и оценки пространственных связей (растровой алгебры, нечеткой логики, вероятностного анализа и др.).

Металлогенические исследования показали, что прогнозирование стратегических месторождений определяет комплекс признаков, включающий: (1) оценку потенциальной перспективности рудовмещающих геологических формаций на основе геодинамических обстановок их формирования, в том числе; (2) исследование глубинных структурных преобразований земной коры, определяющих региональные критерии выявления новых крупных месторождений стратегических металлов, в том числе и не выходящих на поверхность.

В связи с этим, пространственно-статистический ГИС-анализ включал:

1. Анализ закономерностей размещения месторождений стратегических металлов в различных геологических формациях;
   
   
2. Анализ возраста рудовмещающих формаций и геодинамических обстановок их образования;
   
   
3. Выявление пространственно-временных связей рудных месторождений с различными свойствами земной коры: строением, вариацией мощности, неоднородностью границ между слоями коры, коры и верхней мантии и др;
   
   
4. Выделение потенциально перспективных геодинамических обстановок формирования руд и вмещающих толщ;
   
   
5. Анализ позиции месторождений в различной по глубинному строению земной коре с выделением ее дислоцированных областей, потенциально перспективных на выявление новых рудных месторождений.

Кроме того, необходимо учитывать, что для выявления закономерностей пространственных связей требуется использовать данные не только для изучаемой площади, но и для ее обрамления. Поэтому пространственно-статистический анализ осуществлялся с охватом значительно большего пространства, а также всего северного полушария Земли.

Следующий этап в развитии представлений о перспективности и распространении региональных рудообразующих систем состоит в выделении типовых областей, являющихся источниками стратегических металлов, типовых геодинамических блоков земной коры, являвшихся проницаемыми каналами для продвижения флюидов и магм. Комплексное изучение месторождений позволит решить проблему сырьевых источников большинства стратегических металлов.

Основным средством компьютерных технологий на основе ГИС является проведение массированного математического анализа и выявления закономерных пространственных соотношений элементов прогнозно-поисковой модели, выделение областей их благоприятного сочетания и выделение на этой основе новых площадей, перспективных для обнаружения месторождений того или иного рудно-формационного типа. Материалом для построений служат тематические карты, отражающие геологическое и тектоническое строение, геохимические, геофизические и другие карты.

Примером может служить использование пространственно-статистического ГИС-анализа для изучения соотношений металлогении с геодинамическими обстановками арктической зоны России [4]. По данным ГИС-анализа, в выступах докембрийского фундамента, террейнах пассивной и активной континентальных окраин размещено практически равное количество рудных объектов (около 30 %), а в коллизионной обстановке — 9 % общего количества. Ареалы гранитоидных интрузий кислого и среднего состава составляют более 50 и 62 % площади арктической зоны соответственно. За гранитоидными следуют ареалы базит-ультрабазитовых интрузий (около 23 %). Ареалы распространения разновозрастных гранитоидных интрузий распределены неравномерно, часто образуя совмещенные ассоциации, которые трассируют магмоподводящие каналы. На периферии этих областей развито большое число рудных объектов, в том числе и крупные комплексные месторождения стратегических металлов. В ареалах меловых гранитоидов магнетитовой серии размещаются преимущественно месторождения Au, Ag и Си, а минерализация Sn, W, Pb и Zn приурочена к ареалам распространения гранитов ильменитовой серии.



На Аляске используются методы количественной оценки распределения критических элементов в минеральных (рудообразующих) системах [5]. Используется недавно разработанный метод на платформе ГИС на основе данных для оценки потенциала различных типов месторождений полезных ископаемых в штате Аляска. Этот метод систематически анализирует ранее существовавшие наборы данных с геопространственной привязкой для создания карты перспективности и достоверности оценки ресурсов по типам месторождений (рис. 1). Вероятности рассчитываются по заданным критериям, основанным на литологических, геохимических и геофизических данных.

При использовании ГИС-методов на Аляске были выявлены районы, которые потенциально могут содержать концентрации критических минералов [6, 7]. Этот геопространственный метод оценки потенциала минеральных ресурсов анализирует общедоступные базы данных, содержащие различные виды геологической информации (тип горных пород, их геохимический состав, минеральный состав, геофизические характеристики, магнитные или радиометрические свойства, а также наличие эталонных месторождений). Каждому из этих параметров присваивается статистически определенная величина, которая участвует в комплексном анализе и оценке потенциальной перспективности.

Методы машинного обучения

Методы машинного обучения в прогнозировании металлогенических объектов (зон, рудных районов и полей, месторождений) могут обнаруживать и описывать скрытые закономерности в больших массивах данных. Понятие «машинного обучения» было введено в 1959 г. для разработки программы проверки аналитических данных в 1959 г. [8]. Модель машинного обучения может обучаться на примере анализируемых данных и повышать свою точность в той степени, в какой это не запрограммировано явно. Сложный состав и многообразие свойств моделируемых металлогенических обстановок, которые обусловлены процессами их возникновения и эволюции, определяют необходимость анализа процессов взаимодействия составных элементов объектов во времени и пространстве. В основе анализа лежат данные фундаментальной науки, законы логики и статистики, применяемые в различных методах моделирования взаимодействия, а результаты отражаются в модели объекта в виде формализованных семантических и математических выражений.

Существует ряд методов изучения взаимосвязи элементов моделей металлогенических объектов. Среди них выделяются наиболее распространенные методы: 1) фактов и правил (экспертные системы), 2) семантических сетей, 3) нейросетей и глубокого обучения. Все эти методы основываются на анализе пространственных данных, что определяет необходимость учета узловой структуры этих данных в пространстве. В основе методов лежат сетевые технологии анализа данных, и созданные таким образом модели относятся к экспертным и интеллектуальным системам. При построении сетей может быть использован любой из методов или в сочетании с другими. Каждая из моделей позволяет получить систему с некоторыми преимуществами — делает ее более эффективной в конкретных условиях, облегчает ее понимание и модификацию.

Предметный обзор методов машинного обучения представлен в исследованиях [8]. Среди методов машинного обучения, которые в последние годы использовались для оценки минеральных ресурсов, выделяются искусственная нейронная сеть, метод опорных векторов, случайного леса, гауссовские процессы и нечеткой логики. Эти модели успешно применялись при оценке различных месторождений полезных ископаемых, включая известняк, золото и медь.

Метод опорных векторов — это модель обучения с «учителем». Примеры его применения при разведке полезных ископаемых включают: разведку полезных ископаемых, картирование потенциальных минерализованных зон, моделирование флюидных включений, идентификацию местоположения разведочных скважин, разделение зон гидротермальных изменений.

Случайный лес — это метод ансамблевого обучения, состоящий из деревьев решений, которые обучаются с использованием случайного обучающего подмножества для вывода классификации и среднего предсказания в задачах регрессии. Каждое дерево решений выводит класс, а класс с наибольшим количеством голосов является прогнозом модели. Поскольку окончательный результат является комбинированным решением, он, скорее всего, превосходит прогноз отдельного дерева. В дополнение к широкому применению в таких областях, как классификация земной поверхности (ДЗЗ) и разведка полезных ископаемых, метод набирает популярность при прогнозировании содержания руды в месторождениях полезных ископаемых.

Экспертные системы

Экспертные системы — один из видов систем искусственного интеллекта, которые моделируют образ мышления человека-эксперта на основе механизмов логического вывода и эвристических методов. Эти системы — сложные и узкоспециализированные программы, что сдерживает их применение. Вместе с тем при помощи знаний решаются сложные задачи на высоком экспертном уровне. Причем на первом этапе работы системы важное значение имеет создание баз данных.

В статье [9] предложен алгоритм интеллектуального анализа геологического текста, предназначенный для быстрого извлечения геологических знаний из открытых отчетов о разведке полезных ископаемых. Результаты исследования демонстрируют эффективность алгоритма, поддерживающего автоматизированный быстрый анализ больших текстовых данных, таких как отчеты о разведке, для быстрого поиска и извлечения информации о целевых минеральных системах и связанных с ними геологических средах в конкретных областях, представляющих интерес.

Хорошие результаты были получены при использовании логико-информационных моделей, основанных на репрезентативной аналитической базе данных по месторождениям и рудопроявлениям золота Северо-Востока России [10]. Модели рассчитаны для пяти формационных типов месторождений: Au-Ag-эпитермального; Au-кварцевого; Au-сульфидного (вкрапленных руд); Си-Мо-Au-порфирового; колчеданно-полиметаллического, обогащенного Au и Ag. Разработаны правила, позволяющие надежно идентифицировать формационный тип новых объектов. Показано, что созданные модели могут быть использованы для экспресс-оценки новых рудопроявлений золота.

Интегрированный инструмент «экспертного» прогноза рудных месторождений на основе тематических слоев был создан по данным металлогении Андских Кордильер [11]. Использовались разнородные по распределению, количеству и качеству материалы, обработанные «экспертным» способом, позволяющим установить связь между тектоническим развитием всей окраины Анд и пространственным и временным распределением отдельных горнодобывающих районов. Анализировались пять региональных параметров, которые оказывали влияние на неогеновое магматико-гидротермальное рудообразование: литостратиграфия вмещающих пород, их контакты, разрывы и параметры зоны Беньоффа, в результате были составлены карты благоприятности для каждого критерия, которые были объединены в карте перспектив на золото (рис. 2).

В работах Скирроу и др. [12] рассмотрен метод картирования потенциала комплексных Fe-Cu-U-Au-REE месторождений IOCG-типа в регионах Австралии при использовании полимасштабного подхода к минеральным системам. Авторы показывают, как компоненты системы IOCG могут быть переведены в отображаемые критерии, а карты потенциальной перспективности IOCG могут быть созданы путем интеграции разнообразных наборов геологических данных. Результаты основанного на знаниях анализа потенциала IOCG не только успешно предсказывают большинство известных месторождений IOCG, но и выявляют территории, потенциально благоприятные для обнаружения новых объектов.

На основе изучения 450 репрезентативных месторождений золота [13] делается вывод о том, что в Китае в основном есть два типа месторождений золота. Один характеризуется как золото-серебряный с предрудными калишпатизацией и альбитизацией и температурой образования около 250°С с очень низким содержанием As и Sb при пробности золота ниже 900. Другой тип связан с предрудными джаспреоидами, окварцеванием и Au, As и Sb, отлагавшимися при температуре ниже 250°. Пробность золота обычно выше 900, и оно имеет низкое содержание Ag и высокое содержание As и Sb. С учетом элементных геохимических характеристик обсуждается механизм миграции и осаждения золота в процессе перехода от флюидных минералов к твердым в рудообразующей структуре.

Метод весов и нечеткой логики (семантических сетей)

Впервые этот подход к решению оценки потенциальной рудоносности был продемонстрирован в публикациях Геологической службы Канады [14], в которых описывается новый методологический подход к составлению карт перспективной рудоносности путем логико-статистического пространственного сопоставления геологических (включая структурные элементы), геофизических и геохимических данных. Новое направление использовалось для прогнозирования массивных сульфидных руд в районе Абитиби, золота Новой Шотландии [14], месторождений типа Куроко [15]. В настоящее время этим методом осуществляется выявление потенциальных рудоносных площадей в Австралии, Канаде, Южной Америке, Южной Корее, Иране и Китае.

Метод весовой характеристики признаков применяется при использовании сетей, узлы которых связаны между собой весовыми соотношениями. Метод базируется на байесовском подходе к комбинированию данных для прогноза процессов [14] и заключается в определении присутствия или отсутствия характеристик (признаков) проявленности процесса на площади (объеме). При поисках месторождений в качестве признаков рассматривается совокупность геологических данных (геологические, геохимические, геофизические и другие факторы). Признаки оцениваются исходя из ассоциативной пространственной связи с эталонными рудопроявлениями и конкретными характеристиками вмещающей среды. Затем поисковые участки сравниваются с полученными результатами на эталонном участке, и среди них определяются наиболее перспективные.

Многофакторная модель минеральной системы [16] использовалась для выявления минерального потенциала с использованием тематических исследований южной части орогена Новой Англии, Австралия. Использовался метод взвешенных доказательств (weight of evidence), таблица пространственных данных для составления карт минерального потенциала, связанного с интрузивами, благодаря чему было выявлено связанное с интрузивами оруденение Au и Sn + W, а также определены перспективные на этот тип оруденения новые районы (рис. 3).

По Нигерии представлен новый точечный анализ моделей для прогнозирования касситерита в районе «Плато молодых гранитов» с использованием статистики, пространственного анализа и методов машинного обучения [17]. Пространственный анализ был проведен с использованием метода распределения по расстоянию для изучения закономерностей пространственного распределения полезных ископаемых, а также корреляций между точками залегания полезных ископаемых и геологическими особенностями. Комбинация слоев, созданных с помощью ГИС, представляет собой структуру признаков минерализации. Бинарные индикаторы используются для построения прогностической модели с использованием методов машинного обучения для прогнозирования наличия или отсутствия месторождений полезных ископаемых.

Метод нечеткой логики

В настоящее время большое распространение получил метод нечеткой логики. Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики. Данные понятия были впервые предложены американским ученым Лотфи Заде [18]. Основной причиной появления новой теории стало наличие нечетких и приближенных рассуждений при описании человеком процессов, систем, объектов. Например, в прогнозных моделях месторождений зеленокаменного пояса Центральной Лапландии (Финляндия) сочетаются неконтролируемая кластеризация и метод интеграции нечеткой логики [18]. Исследование иллюстрирует преимущества применения эмпирических (управляемых данными) методов к моделированию месторождений. Авторы утверждают, что более широкое использование эмпирических вычислительных методов в ПММ приведет к более эффективному и методичному использованию входных данных и уменьшит субъективность, связанную с экспертными знаниями и суждениями (рис. 4).

Метод нечеткой логики, ориентированный на выявление орогенных месторождений золота в северной Финляндии [19]. Последовательное моделирование имитирует этапы разведки полезных ископаемых, каждый из которых характеризуется сокращением пространства поиска и увеличением детальности. На региональной перспективной карте центральная часть Центрально-Лапландского зеленокаменного пояса, обозначенная как наиболее перспективный район на орогенное золото, в масштабе локального пояса идентифицируется как несколько рудных полей. Модель, детализированная в масштабе рудного поля, отображает участки потенциального месторождения.

Нейросети

После десятилетий развития технология постепенно разрослась в различные способы обучения, такие как нейросети. Типичный алгоритм был разработан еще в 1950-х гг. Основная идея состоит в том, чтобы имитировать нейроны человека, которые получают информацию и передают ее всем соседним нейронам после обработки. Алгоритм получил широкое признание в 1980-х гг. Модель нейронной сети имеет иерархическую структуру, в которой каждый нейрон в слое полностью связан со всеми нейронами в следующем слое. Процесс обучения модели заключается в настройке весов между нейронами, что позволяет иметь способности к нелинейной логике. Этот метод подходит для задач идентификации, классификации и прогнозирования.



Глубокое обучение, как дальнейшее развитие нейросетей, было предложено в 2006 г. По сравнению с традиционными нейросетями алгоритм глубоких нейронных связей имеет больше слоев, которые могут отображать более сложные нелинейные отношения, скрытые в данных. Алгоритм был успешно применен для обнаружения объектов, обнаружения/распознавания лиц, сегментации изображений и обнаружения границ. В задачах последовательного анализа алгоритм повысил точность распознавания голоса и задач обработки естественного языка до практических стандартов. Основными препятствиями моделей являются отсутствие данных, высокие затраты на обучение и сложный процесс настройки внешних параметров.

В работе [20] показано влияние концептуальной неопределенности на моделях минеральной железорудной системы в районе Хамерсли, Западная Австралия. Прогнозные результаты оцениваются с использованием независимых показателей эффективности на основе искусственного интеллекта и подвергаются проверке на геологическую достоверность. Установлено, что разные минеральные системы дают существенно разные пространственные прогнозы, поэтому необходимо признать и оценить концептуальную неопределенность для каждой из них.

Сан и другие [21] используют несколько алгоритмов машинного обучения, в том числе метод опорных векторов, случайного леса и нейронные сети, применительно к медно-скарновым системам в рудном районе Тонглин (Китай). Как видно из статистики, модель случайного леса превосходит другие модели с точки зрения точности и эффективности прогнозирования. То есть модель случайного леса охватывает большинство известных месторождений в пределах самых маленьких перспективных участков.

Кейхай-Хоссейнпур и др. представляют основанный на машинном обучении подход к прогнозным моделям, ориентированный на порфировые Си-Аи системы в районе Дехсалм (Иран), объединяя нейросетевые методы ограниченной машины Больцмана и случайного леса [22]. Модельный участок занимает 4,2% изучаемой площади и содержит 82% известных месторождений меди и золота. Наиболее перспективные участки совпадают со структурами, пространственно связанными с известными медно-золотыми месторождениями, и, таким образом, представляют собой четкие цели для будущих разведочных работ.

Суэйн и др. [23] анализируют 23 скважины на орогенном золоторудном месторождении Гадаг в Индии, используя фрактальный анализ, чтобы выделить возможные пути движения флюи-дов. Высокие значения фрактальной размерности, полученные в этом анали-зе, указывают на наличие взаимосвязанных сетей разломов-трещин, представляющих пути проницаемых флюи-дов. Более низкие значения указывают на неблагоприятные пути прохождения жидкости. Учитывая пространственную корреляцию между золотыми рудами с более высоким содержанием и струк-турами, представленными крутыми фрактальными градиентами, результаты имеют значение для определения целей разведки в менее хорошо изученных и неисследованных районах.

Метод многомерных геохимических аномалий

Новый метод [24] выявления многомерных геохимических аномалий Рудного района Джиуруй (Китай) объединяет анализ дисперсии и ковариации (расстояние Махаланобиса), пространственный автокорреляционный анализ и статистику. Здесь пространственная изменчивость геохимических данных и степень их пространственной автокорреляции измеряются в различных масштабах для выявления и моделирования как отрицательных, так и положительных геохимических аномалий, связанных с рудой. Полученную карту геохимических данных можно интегрировать с другими картами данных для использования в прогнозном моделировании месторождений.

Анализ геохимических данных [25] в полиметаллическом поясе в юго-западной провинции Фуцзянь, Китай, осуществлялся методом машинного обучения. Адаптивная оценка когерентности используется для выявления и оконтуривания геохимических аномалий. Сравнение полученных карт аномалий с картами, полученными другими способами с использованием инструментов статистического анализа, подтверждает производительность алгоритма обучения метрики максимальной маржи, предполагая, что этот метод может давать достоверные результаты (рис. 5).



При анализе региональных геохимических данных [26] оценивались и сравнивались два метода — пространственное U-статистическое моделирование и фрактальное моделирование площади концентрации, использовались данные о речных отложениях из медно-порфирового района Бафт (Иран). Показано, что фрактальный подход концентрации и площади более эффективно расчленяет геохимические аномалии и дает более точную геохимическую целевую модель.

Пример использования геофизических моделей для иллюстрации пространственной взаимосвязи между магнитной восприимчивостью и комплексами изменений вмещающих пород в Хайленд-Вэлли, крупнейшем медно-порфировом районе Канады [27]. Основываясь на своих моделях данных о магнитной восприимчивости, авторы определяют геофизический след вокруг медно-порфировых месторождений, который простирается на 1-4 км от центров интрузивов и коррелирует с жилами, связанными с порфирами, и областями гидротермальных изменений. Бирн и др. пришли к выводу, что изменчивость магнитной восприимчивости дает представление о картировании ключевых процессов рудообразования, которые можно использовать для определения дополнительной минерализации медно-порфировых пород.

Глубокое обучение было предложено в 2006 г. на основе алгоритмов нейросетей. По сравнению с традиционными нейросетями алгоритмы глубоких нейронных сетей имеют больше слоев, которые могут отображать более сложные нелинейные отношения, скрытые в данных. Алгоритмы успешно используются для обнаружения объектов, обнаружения/распознавания лиц, сегментации изображений и обнаружения границ. Основными препятствиями этих моделей являются высокие затраты на обучение и сложный неустойчивый процесс настройки параметров.

В качестве нового метода изучения глубинного строения по геофизическим данным [28] предлагается мультиклассовое прогнозирование перспективности полезных ископаемых, основанное на усовершенствованной нейросети. Экспериментальные результаты показывают, что большинство перспективных площадей (90%) содержат рудные объекты. Выделена целевая территория на несколько видов полезных ископаемых в соответствии с их типами.

Машинное обучение для анализа минеральных ассоциаций

В работе [29], используя машинное обучение для анализа минеральных ассоциаций путем многомерной корреляции в глобальном распределении минералов для идентификации ранее неизвестных минеральных проявлений, выявлены новые потенциальные площади на урановое оруденение и на редкоземельные элементы (РЗЭ) и Li.

Конволютные нейронные сети (Convolutional Neural Networks, CNN) — это особые типы нейронных сетей, которые помогают компьютерам видеть и понимать изображения и видео. Такие сети имеют несколько слоев, называемых сверточными (кон-вОЛютными). Они позволяют изучать сложные особенности и делать более точные предсказания о содержимом визуальных материалов. Конволютные нейросети применяются, в том числе, для распознавания лиц, автопилотирования, медицинского прототипирования и обработки естественного языка.

В исследовании [30] было проведено трехмерное металлогеническое прогнозирование на основе трансферного обучения трехмерной модели CNN марганцевого рудника Хуаюань (провинция Хунань, Китай). Трансферное обучение — это метод, в котором используются предварительно обученные модели для применения результата обучения к новому сходному набору данных. Новый метод 3D-прогнозирования основан на трансферном обучении на примере месторождения марганца Хуаюань (провинции Хунань, Китай). При проверках, основанных на модели бассейна и модели растущих разломов, результаты прогноза согласовывались с геологическими характеристиками района исследований. Метод прогнозирования 3D CNN имеет преимущества в прогнозировании полезных ископаемых, когда доступны большие данные, трансферное обучение на алгоритме 3D CNN помогает реализовать трехмерный прогноз глубинных месторождений полезных ископаемых в случае неполных данных.

Дистанционное зондирование Земли (ДЗЗ) в основном относится к технологиям воздушного или космического зондирования поверхности с целью обнаружения, классификации и анализа объектов земной поверхности, а также атмосферы и океана. Растущее значение метод имеет в сфере изучения геологических процессов и природопользования. Рынок дистанционного зондирования Земли считается одним из самых быстрорастущих в мире. Новые компании, технологии, услуги и сервисы появляются каждый год. Большие перспективы связаны с использованием беспилотных аппаратов, лидаров, микроспутников. В последние годы разрабатываются новые методики обработки данных ДЗЗ в целях прогнозирования различных типов месторождений.

Последние достижения в области методов глубокого обучения позволяют работать с большими и сложными данными дистанционного зондирования с функциями обработки спектральных и наземных измерений с учетом шума и неопределенностей. Методы глубокого обучения могут быть очень эффективными при определении прогнозных признаков полезных ископаемых с использованием данных дистанционного зондирования. Сравнительный анализ применения дистанционных методов [31] показывает, что количество публикаций, посвященных применению методов машинного обучения при обработке данных дистанционного зондирования, за последнее десятилетие постоянно увеличивалось. Вместе с тем лишь небольшая часть дистанционных исследований связана с разведкой полезных ископаемых, хотя и демонстрируют тенденцию к увеличению.

Новый инструмент разведки [32] объединяет полевые и спутниковые изображения ASTER SWIR и TIR и обеспечивает расширенные средства выявления проявлений эпитермально-порфировых систем на поверхности. Зоны изменений, связанные с такими системами, были четко выделены (рис. 6) на острове Лесбос (Греция), и в ряде мест была выявлена тесная пространственная связь между сильно измененными породами и возвышенностями.

Комплексный метод, примененный китайскими исследователями [33], использует грави- и магнитные данные регионального масштаба, отражающие глубинные структуры и скрытые интрузии в золоторудном районе Улун (Ляодунский полуостров, Китай). Магнитотеллурическое зондирование и 3D-моделирование в масштабе месторождения и данные наземной разведочной геофизики для определения потенциальных рудоконтролирующих структур. Результаты этого исследования позволяют предположить, что раннемеловые интрузии и месторождения золота пространственно и генетически связаны сетью разломов (рис. 7).

Сенгар и др. [34] исследовали эффективность спектроскопических методов при выявлении зон гидротермальных изменений. Используются ДЗЗ SWIR ASTER для оконтуривания филлитовых, аргиллитовых и пропилитовых изменений, связанных с медным месторождением Мундиявас-Кхера (бассейн Алвар, Индия). Результаты заверялись материалами петрографических исследований и рентгеноструктурного анализа. В результате комплексного подхода была составлена карта гидротермальных изменений, которая иллюстрирует пространственное распределение зон гидротермальных изменений, связанных с медью.

В работе [35] представлен интегрированный подход, основанный на данных, с использованием геохимических, аэромагнитных и радиометрических данных и изображений Landsat ETM. Исследование направлено на создание модели минеральной системы на территории, которая служит эталоном для других молодых гранитных комплексов в провинции. Использовалась пространственная база данных по геологии, геохимическим данным, аэромагнитным данным, радиометрическим данным (К, Th, U) и дистанционному зондированию (Landsat ETM). Анализ основных компонентов 42 переменных был использован при выявлении перспективных минеральных зон. Было обнаружено, что среднезернистый биотитовый гранит, альбит-арфведсонитовый гранит и эгирин-арфведсонитовый гранит в оконтуренных перспективных зонах являются важными носителями Sn-Nb минерализации.



Мультиспектральные изображения дистанционного зондирования могут быть использованы для прогнозирования новых объектов [36] в районе медного месторождения Линхоу (провинция Чжэцзян, Китай). В качестве прогнозных признаков выделялись ареалы аргиллизитовых и железных шляп. При выделении ареалов применялись методы соотношений полос поглощения, главных компонент и фрактальный анализ. Результаты (рис. 8) показали, что потенциально рудоносные участки аномалий, выделенные этими методами, всегда проявлены в провисах кровли над апикальными частями гранитоидов. С другой стороны, оконтуренные традиционными методами ареалы фрагментарны и не подчиняются центральному распределению, как типичная рудно-магматическая система.

3D-моделирование и анализ рудообразующих процессов при поисках и добыче полезных ископаемых

Появление коммерческих географических информационных систем (ГИС) в середине и конце 1980-х гг. в сочетании со значительными достижениями в области компьютерных технологий также способствовало развитию методов, облегчающих прогнозирующее пространственное моделирование.

Моделирование было специально разработано для повышения эффективности таргетирования разведки с помощью автоматизированных инструментов для эффективной и воспроизводимой обработки данных и интеграции наборов данных из нескольких источников и разного масштаба. Моделирование представляет собой многоэтапный процесс, который, в конечном итоге, влечет за собой таргетирование разведки полезных ископаемых и ранжирование очередности ГРР.

В работе [37] описывают подход к созданию новых объектов разведки на золоторудном месторождении Sigma-Lamaque орогенного типа с запасами более 350 т А (район Валь д'Ор, Квебек). Исследование иллюстрирует создание крупномасштабной 3D-прогнозной модели применительно к экономической оценке добычи. Подходы к созданию модели осуществлялись с акцентом на определение ключевых факторов рудообразующих процессов с использованием моделирования пространственных данных (геофизических данных), разработку концептуальной и прогнозно-поисковой модели минеральной системы в регионе.

Составлено трехмерное изображение вулкана гигантского вулканогенного колчеданного месторождения Кидд-Крик (Канада) путем перевода комплексных геологических данных каротажа керна и подземного картирования [38]. Модель показывает, что вулканическая обстановка и рудообразующая среда Кидд-Крик намного обширнее, чем считалось ранее. Кроме того, 3D-реконструкция подчеркивает первичный вулканический контроль гидротермальных флюидов и, следовательно, рудообразования, а также обеспечивает направления разведочных работ.

В работе [39] описывается разработка трехмерной прогнозной модели золоторудного месторождения Тампия (кратон Йилгарн, Западная Австралия). Эта модель позволяет оконтурить и оценить ресурсы, изучить распределение и содержание, а также спрогнозировать золоторудную минерализацию на флангах. Результаты сгущающегося бурения после моделирования подтвердили модельные оценки минерального потенциала в пределах площади изучения.

Установлена связь между концентрацией полезного компонента в руде с ее физическими свойствами при использовании неравновесной статистической термодинамики [40]. На этой основе по результатам разведочной геофизики (магниторазведка, электроразведка, сейсморазведка и гамма-каротаж) оценены прогнозные ресурсы месторождений: магниторазведка, электроразведка, сейсморазведка и селективный гамма-гамма метод. Проведено сравнение расчетных прогнозных ресурсов с разведанными для ряда месторождений Казахстана. Предложенный метод позволяет выполнить прогнозную оценку запасов месторождений на ранних стадиях разведки с использованием результатов геофизических методов, при этом он обладает экспрессностью и достаточной точностью.

В исследованиях [41] применен метод прогноза для обнаружения слепых рудных тел, основанный на численном моделировании процесса минерализации и трехмерном количественном прогнозировании. Методология включает трехмерное геологическое моделирование крупномасштабных слепых рудных тел, трехмерный количественный прогноз, численное моделирование, а также двусторонний прогноз и оценку. Установлены семь перспективных площадей в районе золоторудного месторождения Йидинань (провинция Ганьсу, Китай), рассчитаны перспективные рудные блоки с использованием методов взвешивания доказательств (weight of evidence), оконтурена потенциальная металлогеническая область.



Моделирования ресурсов месторождений

Геолого-экономическая модель месторождения — по сути, главный конечный результат оценки прогнозных ресурсов и кондиционных запасов полезных ископаемых. Основу таких моделей составляет соотношение «запасы-кондиции» в многовариантном выражении. Концепция моделирования ресурсов месторождений [42, 43, 44] в свое время получила широкое распро-странение. Размер месторождения является ключевым экономическим фактором. Начиная с работ [42], установлены две модели распределения: фрактальная и уникальная. Большин-ство эндогенных месторождений характеризуется фрактальным распределе-нием. Уникальное распределение встречается в минеральных системах, исключительных по размерам и масшта-бам. Эти системы представляют собой феномен случайности глобального масштаба в пространстве и во времени.

Модели месторождений «содержание-тоннаж» становятся необходимыми для оценки прогнозных ресурсов и дают представление об ожидаемом распределении содержания и тоннажа руды для конкретного типа месторождения. Считается, что в качестве инструмента модель «содержание-тоннаж» помогает горнодобывающей промышленности на этапе планирования разработки рудников, предоставляя ожидаемые диапазоны и изменчивость в тоннаже и содержании металлов в зависимости от типа месторождений.

Кроме того, при анализе региональной металлогении в результате пространственного ГИС-анализа могут быть выявлены требующие доизучения перспективные регионы (рис. 9), где возможно открытие новых, экономически значимых в условиях Арктической зоны формационных типов месторождений [45]. Известно, что северные территории России содержат гигантское количество недоизученных точек минерализации и рудопроявлений, что отрицательно сказалось на восполнении минерально-сырьевой базы в арктической зоне. Наибольший дефицит открытых и оцененных месторождений отмечается в областях развития островодужных комплексов Северо-Востока России. Особенно это касается объектов редкометальных (редкоземельных) руд, свинца и цинка, черных и редких металлов. Значительно недостает месторождений золота. На территориях развития комплексов пассивной окраины (Таймырская и Верхояно-Чукотская провинции) наибольшая недоопоискованность выявляется в отношении месторождений редких и черных металлов, а также свинца, цинка и золота. Геолого-экономический анализ с учетом зарубежного опыта показал, что в Арктической зоне России в первую очередь должны быть детально изучены: полоса шириной до 200 км вдоль берега Северного Ледовитого океана, архипелаги и отдельные острова, берега судоходных рек, впадающих в океан.

Также обсуждается возможность прогнозирования масштаба и тоннажа неразведанных месторождений [15], основанная на несоответствии во взаимосвязи между очередностью обнаружения и тоннажем месторождения полезных ископаемых. Это частично связано с проблемами разведки месторождений твердых полезных ископаемых в сложных геологических условиях. При разведке месторождений твердых полезных ископаемых представления о типе руд и их геологических условиях размещения и методы разведки со временем меняются. Отсутствие взаимосвязи между размерами месторождений и очередностью их обнаружения имеет значение для стратегии планирования разведки, поскольку первые находки на поисковой площади необязательно будут крупными.

В других публикациях, освещающих геолого-экономические проблемы в масштабе месторождений, приводятся материалы по прогнозной оценке ресурсов и запасов, что позволяет оптимизировать планирование разведки и эксплуатации рудных объектов.

Так, использование гибридных подходов — неравновесной статистической термодинамики — позволило установить связь между концентрацией полезного компонента в руде с ее физическими свойствами [40]. На основе этой связи получены формулы для расчета дифференцированных и прогнозных ресурсов месторождений полезных ископаемых с использованием результатов геофизических исследований методами: магниторазведка, электроразведка, сейсморазведка и селективный гамма-гамма метод. Проведено сравнение рассчитанных прогнозных ресурсов с разведанными для ряда месторождений Казахстана. Предложенный метод позволяет выполнить прогнозную оценку запасов месторождений на ранних стадиях разведки с использованием результатов геофизических методов, при этом он обладает экспрессностью и достаточной точностью.

В целях определения направлений при поисково-оценочных работах представлен количественный подход [46] к прогнозированию глубокой скрытой вкрапленной минерализации с использованием нового метода частотного коэффициента в геохимическом обеспечении горных работ. В глубокозалегающих месторождениях процессы рудообразования создают на поверхности геохимические аномалии, которые имеют различные длины волн и частоты. Эти отложения могут быть обнаружены с использованием геохимических сигналов путем обработки преобразования Фурье и интерпретации этих частотных сигналов. В частности, анализ определенного массива геохимических данных по частоте повторения результатов оказывается эффективным инструментом для выявления глубинных процессов рудообразования и, следовательно, потенциально может выявить скрытую минерализацию на глубине до проведения скважинного бурения. Метод был использован при анализе геохимических данных (104 элементных анализов почвы и всей породы) из золотоносной системы жил Танурче (пояс Хаф-Даруне, северо-восток Ирана), чтобы предсказать нерентабельный характер этой минерализации золота на глубину. Такой вывод был проверен и подтвержден распределением содержания золота в шести разведочных скважинах.

Заключение

На современном этапе среди всех моделей месторождений именно комплексные модели минеральных (рудообразующих) систем наиболее всего соответствуют прогнозным реалиям, так как они включают совокупные прямые и косвенные признаки рудоотложения. Многочисленные публикации подчеркивают важность выявления прямых и косвенных признаков рудоносности и их комплексного использования при прогнозировании. Практика их применения вместе с массированным использованием принципа «от руды — к руде» показывает неплохие результаты.

Понятие минеральной (рудообразующей) системы — по сути, вероятностная концепция, т. е. если вероятность возникновения любого из критических процессов равна нулю, то месторождение не образуется. Этот принцип — одна из сильных сторон применения для прогнозирования минеральных систем. Используя элементы-признаки минеральных систем в прогнозах, можно оценить вероятность открытия потенциального месторождения на конкретной территории. Этот процесс — инструмент для выбора наиболее перспективных участков для поиска рудных месторождений. Он представляет собой тематическое научное исследование, требующее интеграции генетических моделей рудных месторождений со знаниями, полученными из других областей, таких как геофизика, геохимия, дистанционное зондирование, пространственный анализ, экономика полезных ископаемых.

Прогнозные карты, созданные на основе развития концепции рудообразующих систем, пространственно-статистического ГИС-анализа и создания глубинной геолого-геофизической модели земной коры — основной результат разработки новых подходов к прогнозированию металлогенических исследований последних лет — полезный инструмент для определения районов с высоким потенциалом размещения определенных рудообразующих систем, используют все знания и данные, доступные на территории проекта. Эти карты могут использоваться геологоразведочными и горнодобывающими компаниями, занимающимися поисками и оценкой месторождений стратегических и высокотехнологических металлов, для выбора районов для выявления новых проектов или уточнения их поисковых площадей, а также ранжировать поисково-оценочные цели и выделить области с потенциалом для различных типов минерализации. Кроме того, они могут использоваться правительственными структурами для предоставления предконкурсных материалов для производственных геологоразведочных компаний, а также для принятия внутренних решений по недропользованию.

Различные цели будут влиять на детализацию и масштаб проводимых работ, а также на разрешение данных, необходимых для выполнения задачи. Однако в каждом из этих сценариев крайне важно убедиться, что результаты статистически достоверные, геологически значимые и практически полезные. Если конечный пользователь — геологоразведочная компания, то карты, которые сокращают область поиска до небольшой цели, могут считаться приоритетными. Напротив, если результаты используются для определения перспективных областей, для поисков новых месторождений и для целей планирования недропользования, то на картах выделяются большие площади.

Выполненные исследования показывают, что, помимо выделения перспективных на открытие площадей новых месторождений в пределах существующих рудных районов, дополнительные рудные районы без известной экономической минерализации также могут быть выделены как перспективные. Эти районы предоставляют новые возможности для получения новых данных с более высоким разрешением для дальнейшего анализа с целью направления геологоразведочных работ регионального масштаба. Разработка более удобных для отображения на прогнозно-металлогенических картах репрезентативных исходных данных должна стать основным организующим принципом будущих металлогенических исследований.

Среди алгоритмов машинного обучения наиболее широко применяемые в области прогнозирования — нейронная сеть, методы опорных векторов и случайного леса. Однако, несмотря на огромный потенциал в оценке ресурсов, модели на основе машинного обучения также обладают недостатками, такими как переобучение, более длительное время вычислений и эффект сглаживания. Эти ограничения можно устранить, объединив их с другими методами машинного обучения и алгоритмами глубокого обучения. Метод машинного обучения можно также интегрировать с традиционными методами гибридной оценки.

Дальнейшее усовершенствование и использование этих бесконтактных методов изучения месторождений полезных ископаемых и использование машинного обучения и искусственного интеллекта в прогнозно-поисковых исследованиях позволит не только сохранить природу, но и уменьшить затраты и повысит эффективность на ранних стадиях геологоразведочных работ.

Опубликовано в журнале "Золото и технологии" № 3/сентябрь 2025 г.