Интеграция искусственного интеллекта в обработку геолого-геофизических данных при разведке твердых полезных ископаемых

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.

1. 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. Vol. 60. Iss. 3. P. 375–402. https://doi.org/10.4430/bgta0274.

2. 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.

3. Йёреског К.Г., Клован Д.И., Реймент Р.А. Геологический факторный анализ / пер. с англ. Л.: Недра, 1980. 223 c.

4. 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).

5. 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.

6. 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.

7. 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.

8. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: The MIT Press, 2016. 800 p.

9. Шиверский Г.В., Кривощёков С.Н. Перспективы применения методов искусственного интеллекта в нефтегазовой геологии // Master’s Journal. 2022. № 2. С. 57–67. EDN: MXLKEW.

10. Царегородцева Т.К., Горкин Г.М. Применение искусственного интеллекта в разведке и добыче углеводородов // Недропользование XXI век. 2022. № 2. С. 12–15. EDN: FRHXVC.

11. 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.

12. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Iss. 521. P. 436–444. https://doi.org/10.1038/nature14539.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.