Текст предоставлен компанией «Полюс», изображения сгенерированы ИИ @syntxaibot
Развитие искусственного интеллекта (ИИ) — самая обсуждаемая тема в мире науки. Причем мнения о пользе этой технологии радикально отличаются. Чем же выгоден ИИ для геологоразведки и золотодобычи?
Рост вычислительных мощностей компьютеров в последние десятилетия позволил многократно увеличивать сложность задач, которые им поручает человек. Сегодня уже никого не удивляет складный текст реферата или красивая фантастическая картина, созданные искусственным интеллектом. Голосовое управление телевизором, телефоном и прочими устройствами становится нормой жизни для современного человека. И ответы на вопросы по телефону не человека, а робота также не удивляют. Как и «умные» автомобили и поезда, которые не имеют привычных водителей и машинистов.
Чтобы понять, как может быть полезен ИИ при разработке месторождений золота, нужно изучить историю его развития в самых популярных направлениях и определить, какие задачи на сегодняшний день может решать ИИ применительно к исключительно изменчивой геологической обстановке.
История развития ИИ начинается с середины XX века
В 1950-х годах ученые начали работать над созданием машинного перевода, который позволял бы компьютерам переводить тексты с одного языка на другой. Это было важным шагом в развитии ИИ, так как требовало научить компьютеры пониманию и обработке естественного языка.
В 1960-х годах ученые начали работать над созданием систем, которые могли бы играть в игры, такие как шахматы и го. Эти системы были первыми, которые могли самостоятельно, без участия человека, принимать решения на основе анализа ситуации и прогнозирования будущих действий противника.
В 1970-х годах ученые начали работать над созданием машин, которые могли бы распознавать изображения.
В 1980-х годах появились прообразы систем, которые могли бы обучаться на основе человеческого опыта. Были созданы первые машины, которые были способны адаптироваться к изменяющимся окружающим условиям и улучшать решения или результаты работы на основе обратной связи.
В 1990-х годах был сделан новый прорыв в способности компьютерных систем понимать и обрабатывать естественные языки. Они стали исключительно полезны в поиске информации в интернете и обработке различных текстов.
Все перечисленные области остаются основными направлениями развития искусственного интеллекта. Функции ИИ, к которым сегодня привыкает современный человек, как видим, потребовали от ученых не одного десятилетия напряженной работы в области математики. Хорошей иллюстрацией этого является история разработки в 1951 году английским математиком Аланом Тьюрингом первой компьютерной программы, способной играть в шахматы. И только 3 мая 1997 года значительно усовершенствованная программа Deep Blue победила Гарри Каспарова в матче из шести партий, став первой в своем роде, которая обыграла чемпиона мира по шахматам в официальном матче. То есть добилась результата, превышающего по качеству человеческую логику, через 26 лет после появления своего прототипа.
Развитие ИИ в геологоразведке
Современная геологоразведка, как и другие наукоемкие области, тоже стремится к разработке интеллектуальных машинных систем, способных решать различные сложные задачи. Такие, например, как компьютерная разработка детальных и информативных цифровых моделей — двойников месторождений, содержащих необходимую информацию для проектирования оптимальной и безопасной добычи. Решение подобных задач требует анализа многократно большего объема разносторонних данных и процессов, чем игра в шахматы, где правила четко определены.
На геологическое строение месторождения влияет огромное количество слабо предсказуемых природных факторов, которые при проведении геологоразведки должны быть расшифрованы, поняты и задокументированы с максимальной точностью и скрупулезностью. Эта достаточно рутинная, но в то же время творческая и очень важная работа, как правило, отнимает много времени и усилий и во многом зависит от индивидуального понимания и интерпретации конкретного специалиста. Появление решений по обучению компьютера зрению и способности распознавать изображения может в ближайшее время реально значительно усовершенствовать этот процесс, высвободить время геологов на более глубокое осмысление результатов и интерпретацию данных. Это также повысит интеллектуальную составляющую в процессе разработки будущей цифровой геологической модели месторождения. Полагаем, что результат внедрения автоматизированной компьютерной документации уже в ближайшие годы должен привести к прорыву в качестве и количестве геологических данных, получаемых при разведке месторождений.
Решая задачу повышения эффективности процесса документации керна, геологи «Полюса» совместно с ведущими специалистами в области программирования ИИ проводят работы по обучению нейросетей определять горные породы по керну скважин. Также выявляются количество вредных и полезных минералов в нем, их форма и размеры, наличие разрушенных зон и еще множество других параметров, которые необходимы для более точного понимания геологического строения месторождения и разработки его цифровой модели. Текущая работа — это начало пути к тому, чтобы компьютерные алгоритмы достигли той точности и качества детектирования факторов, которые сегодня получаются трудом опытного геолога-документатора. Тем не менее это вполне посильная и достижимая цель. Когда можно будет признать победу программы-документатора над условным «Каспаровым»-документатором, рутинной работой документации керна займется машина. А геологи совместно с математиками смогут обучать более сложные алгоритмы ИИ для разработки моделей месторождения на базе кратно выросшего количества исходных данных. Сделав, таким образом, еще один шаг к сближению нашего объемного представления о месторождении и его реального природного содержания.
Развитие ИИ при добыче золота
Одним из первых шагов в развитии ИИ на производстве было создание экспертных систем, которые могли анализировать данные и предлагать решения на основе правил и знаний, заложенных в них. Эти системы были очень полезны в медицине, финансах и других областях, где требуется быстрое принятие решений на основе большого объема данных*.
Примером такого решения в нашей отрасли является алгоритм StopeOptimiser, разработанный при участии сотрудников «Полюса» компанией MicroMine.
Геологи рудного контроля адаптировали этот модуль для задач проектирования выемочных блоков в карьерах.
На основе имеющейся цифровой геологической модели месторождения модуль автоматически рассчитывает оптимальные выемочные блоки с учетом технологических типов руд и параметров используемого горного оборудования.
Алгоритм делает это таким образом, чтобы в пределах одного блока оказалась руда одного технологического типа и содержания полезного компонента, с минимальным количеством примесей пустых вмещающих пород и других типов руд.
В результате чего обеспечивается правильное и равномерное питание ЗИФ и наиболее эффективная выемка руд.
Таким образом, модуль помогает проанализировать большой объем входящих данных на основе заложенных в него экспертных знаний. Анализ этих данных силами человека был бы чрезвычайно трудоемким.
Отметим, что StopeOptimizer — это отличный пример экспертной системы автоматического анализа, который уже внедрен в производственный процесс нашей компании.
* Этот текст написан с помощью искусственного интеллекта. Программы Chat GPT и Giga Chat.