ҚАЗАҚСТАННЫҢ УРАН КЕН ОРЫНДАРЫНДА ТЕХНОЛОГИЯЛЫҚ ҚЫШҚЫЛДАНУ АЙМАҚТАРЫН ҚОЛДАНУ АРҚЫЛЫ АНЫҚТАУ МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІ
DOI:
https://doi.org/10.54668/2789-6323-2024-113-2-67-80Кілт сөздер:
машиналық оқыту, уран өндіру, технологиялық қышқылдану аймағы, жерасты ұңғыма ларын шаймалау, жасанды нейрондық желілер (Artificial Neuron Network / ANN), экстремалды гради ентті күшейту (Extreme Gradient Boosting / XGB)Аңдатпа
Сілтілеу кезінде уран кен орындарындағы технологиялық қышқылдану аймақтарын анықтау уран алу процесін дәл бақылау және оңтайландыру үшін қажет. Технологиялық қышқылдану аймағын дұрыс анықтамау қышқыл реагенттерін шамадан тыс пайдалануға әкелуі мүмкін, бұл шығындарды арттырып қана қоймайды, сонымен қатар жағымсыз экологиялық зардаптарды тудыруы мүмкін. Жұмыста Қазақстандағы уран кен орындарындағы технологиялық қышқылдану аймақтарын қолмен анықтауға байланысты мәселелерді шешуге көзқарас ұсынылды. Бұл тәсіл осы маңызды аймақтарды анықтауды автоматтандыру үшін машиналық оқыту алгоритмдерін зерттеуді қамтиды. Жасанды нейрондық желі (ANN) және экстремалды градиентті күшейту (XGB) модельдерін қолдану уран кен орындарын жерасты ұңғымаларын шаймалау әдісімен өңдеу кезінде осы маңызды аймақтарды автоматтандыруда және сәйкестендіруді жақ- сартуда тиімділігін көрсетті.Сонымен, ANN моделі үшін F1-score метрикасы бойынша қышқылдану аралықтарын оқшаулау дәлдігі 0,75, ал XGB моделі үшін 0,80 құрайды.
References
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
Downloads
Жарияланды
How to Cite
Журналдың саны
Бөлім
License
Copyright (c) 2024 Гидрометеорология және экология
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
