ОПРЕДЕЛЕНИЕ ЗОН ТЕХНОЛОГИЧЕСКОГО ЗАКИСЛЕНИЯ НА УРАНОВЫХ МЕСТОРОЖДЕНИЯХ КАЗАХСТАНА С ПРИМЕНЕНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
DOI:
https://doi.org/10.54668/2789-6323-2024-113-2-67-80Ключевые слова:
машинное обучение, добыча урана, зона технологического закисления, подземное скважинное выщелачивание, искусственные нейронные сети (Artificial Neuron Network / ANN), экстремальный градиентный бустинг (Extreme Gradient Boosting / XGB)Аннотация
Определение зон технологического закисления на урановых месторождениях во время выщелачивания необходимо для точного контроля и оптимизации процесса извлечения урана. Неверное определение зоны технологического закисления может привести к из- быточному использованию кислотных реагентов, что не только увеличит затраты, но также может вызвать нежелательные экологические последствия. В работе предложен подход к решению вопросов, связанных с ручным определением зон технологического закисления на урановых месторождениях в Казахстане. Подход включает в себя изучение алгоритмов машинного обучения для автоматизации выявления этих критически важных зон. Применение моделей искусственной нейронной сети (ANN) и модели экстремального градиентного бустинга (XGB), показало свою эффективность в автомати- зации и улучшении идентификации этих важных зон при отработке месторождений урана методом подземного скважинного выщелачивания. Так, точность выделения ин- тервалов закисления по метрике F1-score для модели ANN составляет 0,75, а для модели XGB составляет 0,80.
Библиографические ссылки
Петров Н.Н., Язиков В.Г., Аубакиров Х.Б., Плеха- нов В.Н., Верщков А.Ф., Лухтин В.Ф. Урановые место- рождения Казахстана (экзогенные). Алматы: Гылым, 1995 – 264 с.
Петров Н.Н., Язиков В.Г., Аубакиров Х.Б., Плеха- нов В.Н., Верщков А.Ф., Лухтин В.Ф. Урановые место- рождения: Новая эра, №1, 2014 г.
Перельман А. И., Гидрогенные месторождения урана. Основы теории образования, М.: Атомиздат, 1980. 270 с.
Евсеева Л. С„ Перельман А. И. Геохимия урана в зоне гипергенеза. М.: Госатомиздат, 1962. 239 с,
Перельман А. И., Экзогенные эпигенетические место- рождения урана. Условия образования, . М.: Атомиздат, 1965. 323 с.
K. Helbig and S. Treitel, “Computational Neural Networks for Geophysical Data Processing,” Handbook of Geophysical Exploration, Seismic Exploration, vol. 30, 2001.
M. Van der Baan and C. Jutten, “Neural networks in geophysical applications,” Geophysics, 65 (4), pp. 1032-1047, 2000.
L. Hai An, “Neutral Network in Lithology Determination,” Tap chi Tin hoc va Dieu khien hoc, T.16, S.2, pp. 59-62, 2000.
М.А. Сенилов, “Развитие интеллектуальных методов обработки геофизических данных,” Искусственный интеллект, 4, pp. 357 - 364, 2003.
S. Maiti, R. K. Tiwari, and H.-J. Kumpel, “Neural network modelling and classification of lithofacies using well log data: a case study from KTB borehole site,” Geophys. J. Int., vol. 169, pp 733–746, 2007.
D. Benaouda et al., “Inferring the lithology of borehole rocks by applying neural network classifers to downhole logs: an example from the Ocean Drilling Program,” Geophys. J. Int., vol. 136, pp 477 - 491, 1999.
V. Tschannen et al., “Facies classification from well logs using an inception convolutional network,” Computer Vision and Pattern Recognition (cs.CV), arXiv:1706.00613, 2017.
S. Chikhi, M. Batouche, and H. Shout, “Hybrid Neural Network Methods for Lithology Identification in the Algerian Sahara,” International Journal of Geological and Environmental Engineering, vol. 1, no. 4, 2007.
I. Bachri, M. Hakdaoui, M. Raji, AC. Teodoro, A. Benbouziane, “Machine Learning Algorithms for Automatic Lithological Mapping Using Remote Sensing Data: A Case Study from Souk Arbaa Sahel”, Sidi Ifni Inlier, Western Anti-Atlas, Morocco. ISPRS International Journal of Geo- Information 8(6):248, 2019.
Р. И. Мухамедиев, Я. И. Кучин, “Средства автомати- зации обработки данных геофизического исследования скважин на месторождениях урана пластово-инфильтрационного типа”, Электронный журнал Cloud of Science T. 2. № 3, 2015.
Амиргалиев Е. Н. и др. Методы машинного обучения в задачах распознавания пород на урановых месторожде- ниях //Известия НАН РК. – 2013. – №. 3. – С. 82-88.
Kuchin Y. I., Grundspenkis J. Machine Learning Methods for Identifying Composition of Uranium Deposits in Kazakhstan //Appl. Comput. Syst. – 2017. – Т. 22. – №.1. – С. 21-27.
Mukhamediev R. I. et al. Determination of Reservoir Oxidation Zone Formation in Uranium Wells Using Ensemble Machine Learning Methods //Mathematics. – 2023. – Т. 11. – №. 22. – С. 4687. https://doi.org/10.3390/ math11224687.
Kuchin, Y.; Mukhamediev, R.; Yunicheva, N.; Symagulov, A.; Abramov, K.; Mukhamedieva, E.; Zaitseva, E.; Levashenko, V. Application of Machine Learning Methods to Assess Filtration Properties of Host Rocks of Uranium Deposits in Kazakhstan. Appl. Sci. 2023, 13, 10958. https:// doi.org/10.3390/app131910958.
Haykin, S.S. Neural Networks: A Comprehensive Foundation, https://books.google.ru/ books?id=PSAPAQAAMAAJ, 1994.
Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning, http://www.deeplearningbook.org, MIT Press, 2016.
Tianqi Chen; Carlos Guestrin, XGBoost: A Scalable Tree Boosting System, doi:10.1145/2939672.2939785[DOI],http://arxiv.org/abs/1603.02754, 2016
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Гидрометеорология и экология
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
