Нейросетевые технологии обработки больших геологических данных. Кейс компании Норильскгеология

28 апреля 2022
0 комментариев

Как с помощью машинного обучения анализировать геологические данные. Практический кейс компании «Норильскгеология».

Норильскгеология — дочернее предприятие ГМК «Норильский никель». Компания занимается геологоразведочными, оценочными и ревизионными работами, геологотехническим сопровождением разработки месторождений полезных ископаемых, преимущественно никеля и меди.

Ситуация до старта проекта

В настоящее время обработка больших геологических данных производится преимущественно статистическими методами. Интерпретация данных происходит с помощью стандартных инструментов визуализации:

Типовой алгоритм действий с геологическими данными:

  1. Сбор и хранение цифровых данных.
  2. Сортировка данных с помощью Excel или программного пакета для статистического анализа Statistica.
  3. Ранжирование данных с помощью программы построения структурных карт Surfer или программы визуализации научных данных Sigmaplot.
  4. Представление результатов обработки с помощью PowerPoint или СorelDraw.

Проблема

Применение статистических методов обработки больших геологических данных и их интерпретации с помощью традиционных инструментов визуализации порождает ряд проблем:

  1. Более 90% результатов статистической обработки геологи различных компаний интерпретируют по-разному, что провоцирует серьезное расхождение в выводах при оценке одного и того же месторождения разными специалистами.
  2. Субъективное и неоднозначное представление результатов обработки геологоразведочных данных создает трудности при доведении информации до должностных лиц, принимающих решение о разработке конкретного месторождения.
  3. Субъективный подход в интерпретации данных порождает трудности в научной и коммерческой конкуренции. Обладатели геологоразведочной информации не имеют инструментов для ее унифицированного и корректного представления.

Решение

С учетом современных потребностей в геологоразведочную отрасль необходимо внедрить:

  1. Машинное обучение для максимально оперативной обработки статистических данных.
  2. Четкие унифицированные протоколы отчетности на каждом этапе обработки данных.
  3. Автоматизированное представление моделей.

Для недропользования и геологических наук рационально применять машинное обучение без учителя. Данный метод наилучшим образом подходит для геологоразведочной отрасли, т.к. при его использовании ответы не задаются и требуется искать зависимости между объектами.

Машинное обучение без учителя решает следующие задачи:

Для решения всех вышеперечисленных задач уже более 10 лет используются самоорганизующиеся сети Кохонена — одна из разновидностей нейросетевых алгоритмов.

Карта Кохонена

Смоделировать сети Кохонена возможно с помощью различных языков программирования. Проблема состоит в том, что для программирования требуются углубленные знания, которых нет у специалистов-геологов.

Для решения задач с помощью сетей Кохонена специалисты компании «Норильскгеология» применяют аналитическую low-code платформу Loginom, в которой есть уже готовый компонент «Самоорганизующаяся сеть». Преимущества платформы:

  1. Low-code архитектура позволяет сотрудникам без специальных знаний проектировать сложные алгоритмы машинного обучения на основе нейросетей.
  2. Высокая производительность дает возможность быстро обрабатывать большие наборы данных.
  3. Многократное использование разработанных компонентов позволяет отладить логику обработки геологических данных один раз и неограниченно применять в дальнейшем.
  4. Обмен компонентами предоставляет возможность передавать знания другим специалистам или компаниям, в том числе, зарабатывая на этом.
  5. Гибкая интеграция с инструментами визуализации позволяет легко строить полноценные геологические карты на основе обработанных данных.

Результаты

Специалисты компании «Норильскгеология» активно используют Loginom для решения прикладных задач геологоразведки:

  • интерпретация геохимических данных при опробовании керна скважин;

    Сценарий обработки геохимических данных

    • технологическое ранжирование руд;

      Типизация и ранжирование руд

     
    • экспресс-расшифровка каротажных данных по скважинам;

      Пример расшифровки каротажных данных

#кейс#клиенты#нейросеть#машинное обучение#machine learning

Смотрите также