nznistuНауки о Земле и недропользованиеEarth sciences and subsoil use2686-99932686-7931Federal State Budget Educational Institution of Higher Education "Irkutsk National Research Technical University"10.21285/2686-9993-2025-48-3-310-320WAUKUOnznistu-422Research ArticleСтатьиИнтеграция искусственного интеллекта в обработку геолого-геофизических данных при разведке твердых полезных ископаемыхIntegration of artificial intelligence into geological and geophysical data processing in solid minerals explorationhttps://orcid.org/0009-0007-1102-2562КричинскийА. К.KrichinskyA. K.

Кричинский Алексей Константинович, аспирант; геолог

г. Иркутск

Aleksey K. Krichinsky, Postgraduate Student; Geologist

Irkutsk

leha_29@mail.ruhttps://orcid.org/0000-0001-5938-1942ПоспеевА. В.PospeevA. V.

Поспеев Александр Валентинович, доктор геолого-минералогических наук, профессор, ведущий научный сотрудник лаборатории Арктики

г. Иркутск

Alexander V. Pospeev, Dr. Sci. (Geol. & Mineral.), Professor, Leading Researcher at the Arctic Laboratory

Irkutsk

avp@crust.irk.ruИнститут земной коры Сибирского отделения Российской академии наук; ООО «Эгитинский горно-обогатительный комбинат»РоссияInstitute of the Earth’s Crust of the Siberian Branch of the Russian Academy of Sciences; Egitinsky Mining and Processing Plant LLCRussian FederationИнститут земной коры Сибирского отделения Российской академии наукРоссияInstitute of the Earth’s Crust of the Siberian Branch of the Russian Academy of SciencesRussian Federation202505122025483310320Copyright © Кричинский А.К., Поспеев А.В., 20252025Кричинский А.К., Поспеев А.В.Krichinsky A.K., Pospeev A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.nznj.ru/jour/article/view/422

В статье представлен систематизированный обзор современных подходов к применению методов искусственного интеллекта для обработки и интерпретации геолого-геофизических данных при поиске и разведке месторождений твердых полезных ископаемых. В работе рассмотрены ключевые направления интеграции искусственного интеллекта в геолого-разведочные процессы: автоматизацию анализа сейсмических, магнитных, гравиметрических и электромагнитных данных; распознавание структурных и аномальных объектов на основе алгоритмов машинного обучения и глубоких нейронных сетей; комплексирование разнородных источников геоинформации с использованием многомодальных архитектур. Освещены подходы к прогнозированию рудоносности, построению трехмерных геологических моделей, а также к оценке вероятностных сценариев размещения рудных тел с учетом геологической неопределенности. Особое внимание уделено проблемам интерпретируемости моделей искусственного интеллекта, влиянию качества и полноты исходных данных на достоверность получаемых результатов, а также институциональным, техническим и кадровым ограничениям, сдерживающим широкое внедрение искусственного интеллекта в геолого-разведочную практику. Обсуждены перспективы развития гибридных интеллектуальных систем, объединяющих экспертные знания и алгоритмические методы, возможность создания цифровых двойников месторождений как основы для цифровой трансформации минерально-сырьевого комплекса. Статья основана на анализе актуальных публикаций российских и зарубежных авторов и может служить методологическим ориентиром для проведения научных исследований, создания прикладных программных решений и повышения эффективности цифровой геологии в условиях возрастающей сложности и стоимости геолого-разведочных работ.

The article provides a systematic review of modern approaches to the use of artificial intelligence methods for processing and interpreting geological and geophysical data in the prospecting and exploration of solid mineral deposits. The key areas of artificial intelligence integration into geological exploration processes are considered: automation of seismic, magnetic, gravimetric and electromagnetic data analysis, recognition of structural and anomalous objects based on machine learning algorithms and deep neural networks, integration of heterogeneous sources of geoinformation using multimodal architectures. The article explores approaches to ore content forecasting, constructing of three-dimensional geological models, and assessing of probabilistic scenarios for ore body location taking into account geological uncertainty. Particular attention is paid to the issues of interpretability of artificial intelligence models, the effect of the quality and completeness of the input data on the reliability of the results obtained, as well as institutional, technical and personnel limitations that hinder the widespread implementation of artificial intelligence in geological exploration practice. The article discusses the development prospects of hybrid intelligent systems that combine expert knowledge and algorithmic methods, as well as the possibility to create digital twins of deposits as a basis for the digital transformation of the mineral resource complex. The article is based on the analysis of relevant publications by Russian and foreign authors and can serve as a methodological guideline for conducting scientific research, creating applied software solutions and increasing the efficiency of digital geology in the context of increasing complexity and cost of geological exploration.

искусственный интеллектгеологоразведкагеофизикатвердые полезные ископаемыемашинное обучениенейросетимоделирование месторожденийпрогноз рудоносностиинтерпретация данныхцифровизация геологииartificial intelligencegeological explorationgeophysicssolid mineralsmachine learningneural networksdeposit modelingore content forecastdata interpretationdigitalization of geologyReferencesQadrouh A.N., Carcione J.M., Alajmi M., Alyousif M.M. A tutorial on machine learning with geophysical applications // Bollettino di Geofisica Teorica ed Applicata. 2019. Vol. 60. Iss. 3. P. 375–402. https://doi.org/10.4430/bgta0274.Qadrouh A.N., Carcione J.M., Alajmi M., Alyousif M.M. A tutorial on machine learning with geophysical applications. Bollettino di Geofisica Teorica ed Applicata. 2019;60(3):375-402. https://doi.org/10.4430/bgta0274.Jooshaki M., Nad A., Michaux S. A systematic review on the application of machine learning in exploiting mineralogical data in mining and mineral industry // Minerals. 2021. Vol. 11. Iss. 8. P. 816. https://doi.org/10.3390/min11080816.Jooshaki M., Nad A., Michaux S. A systematic review on the application of machine learning in exploiting mineralogical data in mining and mineral industry. Minerals. 2021;11(8):816. https://doi.org/10.3390/min11080816.Йёреског К.Г., Клован Д.И., Реймент Р.А. Геологический факторный анализ / пер. с англ. Л.: Недра, 1980. 223 c.Jöreskog K.G., Klovan D.I., Reyment R.A. Geological factor analysis; 1976, 178 p. (Russ. ed.: Geologicheskii faktornyi analiz. Leningrad: Nedra; 1980, 223 p.).Rimola A. Mineral exploration technologies: advancements and applications // Journal of Powder Metallurgy & Mining. 2024. Vol. 13. Iss. 6. P. 449. Режим доступа: https://www.omicsonline.org/open-access/mineral-exploration-technologies-advancements-and-applications-134337.html (дата обращения: 17.05.2025).Rimola A. Mineral exploration technologies: advancements and applications. Journal of Powder Metallurgy & Mining. 2024;13(6):449. Available from: https://www.omicsonline.org/open-access/mineral-exploration-technologies-advancements-and-applications-134337.html [Accessed 17 th May 2025].Corrigan C.C., Ikonnikova S.A. A review of the use of AI in the mining industry: Insights and ethical considerations for multi-objective optimization // The Extractive Industries and Society. 2024. Vol. 17. P. 101440. https://doi.org/10.1016/j.exis.2024.101440. EDN: EKFQHY.Corrigan C.C., Ikonnikova S.A. A review of the use of AI in the mining industry: Insights and ethical considerations for multi-objective optimization. The Extractive Industries and Society. 2024;17:101440. https://doi.org/10.1016/j.exis.2024.101440. EDN: EKFQHY.Степанов И.Ю. Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки // Вестник СГУГиТ. 2024. Т. 29. № 2. С. 108–117. https://doi.org/10.33764/2411-1759-2024-29-2-108-117. EDN: BHXCBY.Stepanov I.Yu. The use of machine learning methods in geoinformation models in solving problems of geophysical exploration. Vestnik SSUGT. 2024;29(2):108-117. (In Russ.). https://doi.org/10.33764/2411-1759-2024-29-2-108-117. EDN: BHXCBY.Sun K., Chen Y., Geng G., Lu Z., Zhang W., Song Z., et al. A review of mineral prospectivity mapping using deep learning // Minerals. 2024. Vol. 14. Iss. 10. P. 1021. https://doi.org/10.3390/min14101021.Sun K., Chen Y., Geng G., Lu Z., Zhang W., Song Z., et al. A review of mineral prospectivity mapping using deep learning. Minerals. 2024;14(10):1021. https://doi.org/10.3390/min14101021.Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: The MIT Press, 2016. 800 p.Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: The MIT Press; 2016, 800 p.Шиверский Г.В., Кривощёков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Master’s Journal. 2022. № 2. С. 57–67. EDN: MXLKEW.Shiverskii G.V., Krivoschekov S.N. Prospects for the application of artificial intelligence methods in the geology of oil and gas. Master’s journal. 2022;2:57-67. (In Russ.). EDN: MXLKEW.Царегородцева Т.К., Горкин Г.М. Применение искусственного интеллекта в разведке и добыче углеводородов // Недропользование XXI век. 2022. № 2. С. 12–15. EDN: FRHXVC.Tsaregorodtseva T.K., Gorkin G. M. Application of artificial intelligence in hydrocarbon exploration and production. Nedropol’zovanie XXI vek. 2022;2:12-15. (In Russ.). EDN: FRHXVC.Останин В.А. Перспективы использования автоматического машинного обучения в задачах комплексной интерпретации геофизических данных на примере районирования территории Томской области по вероятной нефтегазоносности // Перспективы развития науки в современном мире: материалы XII Междунар. науч.-практ. конф. (г. Уфа, 7 апреля 2023 г.). Уфа: Изд-во ООО «Научно-издательский центр “Вестник науки”», 2023. Т. 2. С. 137–156. EDN: MGKIUP.Ostanin V.A. Application prospects of automatic machine learning in the problems of integrated interpretation of geophysical data for the case of Tomsk region zoning by probable oil and gas content. In: Perspektivy razvitiya nauki v sovremennom mire: materialy XII Mezhdunar. nauch.-prakt. konf. = Science development prospects in the modern world: Proceedings of the 12 th International scientific and practical conference. 7 April 2023, Ufa. Ufa: Scientific and Publishing Center Herald of Science LLC; 2023, vol. 2, p. 137-156. (In Russ.). EDN: MGKIUP.LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Iss. 521. P. 436–444. https://doi.org/10.1038/nature14539.LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521:436-444. https://doi.org/10.1038/nature14539.Шагарова Л.В. Применение искусственного интеллекта и систем больших геоданных для мониторинговых геологических задач // Новые идеи в науках о Земле. Том 1. Геофизика, геоинформатика, математическое моделирование и искусственный интеллект в недропользовании: материалы XVII Междунар. науч.-практ. конф. (г. Москва, 3–4 апреля 2025 г.). М.: Изд-во МГРИ РАЕН, 2025. Т. 1. C. 37–40.Shagarova L.V. Application of artificial intelligence and Big Geodata systems for geological monitoring tasks. In: Novye idei v naukakh o Zemle. Tom 1. Geofizika, geoinformatika, matematicheskoe modelirovanie i iskusstvennyi intellekt v nedropol’zovanii: materialy XVII Mezhdunar. nauch.-prakt. konf. = New Ideas in Earth Sciences. Vol. 1. Geophysics, Geoinformation Sciences, Mathematical Modeling, and Artificial Intelligence in Subsoil Use: Proceedings of the 17 th International scientific and practical conference. 3–4 April 2025, Moscow. Moscow: Russian State University for Geological Prospecting of the Russian Academy of Natural Sciences; 2025, vol. 1, p. 37-40. (In Russ.).Jung H.-S., Lee S. Special issue on machine learning techniques applied to geoscience information system and remote sensing // Applied Sciences. 2019. Vol. 9. Iss. 12. P. 2446. https://doi.org/10.3390/app9122446.Jung H.-S., Lee S. Special issue on machine learning techniques applied to geoscience information system and remote sensing. Applied Sciences. 2019;9(12):2446. https://doi.org/10.3390/app9122446.Панина О.В., Беляев А.М., Завалько Н.А., Еремин С.Г., Сагина О.А. Применение методов глубокого машинного обучения для структурного анализа рудных тел и прогнозирования оптимальных зон добычи // Горная промышленность. 2025. № 1. С. 177–183. https://doi.org/10.30686/1609-9192-2025-1-177-183. EDN: YAJMMM.Panina O.V., Belyaev A.M., Zaval’ko N.A., Eremin S.G., Sagina O.A. Application of deep machine learning methods for structural analysis of ore bodies and prediction of optimal mining zones. Mining industry journal. 2025;1:177-183. (In Russ.). https://doi.org/10.30686/1609-9192-2025-1-177-183. EDN: YAJMMM.Alzubaidi L.S., Zhang J., Humaidi A.J., Al-Dujaili A., Duan Y. Al-Shamma O., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions // Journal of Big Data. 2021. Vol. 8. Iss. 53. P. 1–74. https://doi.org/10.1186/s40537-021-00444-8.Alzubaidi L.S., Zhang J., Humaidi A.J., Al-Dujaili A., Duan Y. Al-Shamma O., et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data. 2021;8(53):1-74. https://doi.org/10.1186/s40537-021-00444-8.Гришков Г.А., Нафигин И.О., Устинов С.А., Минаев В.А., Петров В.А. Подход к созданию пространственных прогнозно-поисковых моделей месторождений на основе сверточных нейронных сетей (на примере территории Юго-Восточного Забайкалья) // Наука и технологические разработки. 2024. Т. 103. № 2. С. 75–90. https://doi.org/10.21455/std2024.2-5.Grishkov G.A., Nafigin I.O., Ustinov S.A., Minaev V.A., Petrov V.A. An approach to the creation of spatial predictive prospecting models of deposits based on convolutional neural networks (using the example of the territory of Southeastern Transbaikalia). Science and Technological Developments. 2024;103(2):75-90. (In Russ.). https://doi.org/10.21455/std2024.2-5.Chen L., Wang L., Miao J., Gao H., Zhang Y., Yao Y., et al. Review of the application of Big Data and artificial intelligence in geology // Journal of Physics: Conference Series. 2020. Vol. 1684. Iss. 1. P. 012007. https://doi.org/10.1088/1742-6596/1684/1/012007.Chen L., Wang L., Miao J., Gao H., Zhang Y., Yao Y., et al. Review of the application of Big Data and artificial intelligence in geology. Journal of Physics: Conference Series. 2020;1684(1):012007. https://doi.org/10.1088/1742-6596/1684/1/012007.McGaughey J. Artificial intelligence and Big Data analytics in mining geomechanics // Journal of the Southern African Institute of Mining and Metallurgy. 2020. Vol 120. Iss. 1. P. 15–21. https://doi.org/10.17159/2411-9717/847/2020.McGaughey J. Artificial intelligence and Big Data analytics in mining geomechanics. Journal of the Southern African Institute of Mining and Metallurgy. 2020;120(1):15-21. https://doi.org/10.17159/2411-9717/847/2020.Рыльникова М.В., Клебанов Д.А., Макеев М.А., Кадочников М.В. Применение искусственного интеллекта и перспективы развития аналитических систем больших данных в горной промышленности // Горная промышленность. 2022. № 3. С. 89–92. https://doi.org/10.30686/1609-9192-2022-3-89-92. EDN: OEXFGE.Rylnikova M.V., Klebanov D.A., Makeev M.A., Kadochnikov M.V. Application of artificial intelligence and the future of Big Data analytics in the mining industry. Mining industry journal. 2022;3:89-92. (In Russ.). https://doi.org/10.30686/1609-9192-2022-3-89-92. EDN: OEXFGE.

The authors declare that there are no conflicts of interest present.