Мальцев Е. Н., главный специалист «НИИПИ ТОМС» (Институт ТОМС, г. Санкт-Петербург)
На конференции «МАЙНЕКС Россия — 2025» состоялось событие, заслуживающее особого внимания — сессия докладов с очень актуальным названием «Геометаллургия». В приложении 1 приведено представление участников сессии «Геометаллургия» на сайте «Майнекса». К сожалению, организаторы «Майнекса» в этом году лишили многих коллег возможности онлайн-просмотра слайдов сопровождения презентаций. Поэтому выводы и соображения, к сожалению, сложились только на основе прослушанной информации. Высказав это замечание как пожелание избежать подобных организационных недочётов в будущем, перейдём к аналитическому обзору полезной информации, прозвучавшей на сессии «Геометаллургия». Структурируем её так, чтобы стало ясно, в чём заключается максимальная выгода от геометаллургии. Стоит отметить, что на «Майнексе» этот вывод не прозвучал однозначно, поскольку тема новая и не до конца понятная, о чём свидетельствует, например, ошибочное мнение модератора, отождествившего геометаллургию с ГТК (переименованным другим термином).
Чтобы устранить эти неясности, логическую цепочку рассуждений предлагается выстроить следующим образом:
1. Геологические балансовые запасы, оценённые по кондициям, утверждённым ГКЗ (ограниченные по содержанию полезного компонента), — это всего лишь исходная информация для оценки возможности прибыльной отработки месторождения.
2. Традиционная технико-экономическая оценка балансовых запасов, утверждённых протоколом ГКЗ, основана на усреднённых технологических параметрах, игнорирующих пространственную неоднородность вещественного состава и вариативность технологических свойств руд, которые имеют ключевое значение для извлекаемой ценности полезного компонента, т. е. для превращения руды в тот самый товарный продукт. В качестве иллюстрации Сергей Петров привёл яркий пример:
— Пока мы оперировали моделью запасов и содержаний — всё было замечательно. Но как только пересчитали извлекаемую ценность, обнаружился огромный блок, который попросту стал забалансовым, поскольку его извлекаемая ценность оказалась ниже себестоимости.
3. Для решения этой проблемы, связанной с несовершенством государственной системы учёта балансовых запасов, на рынке уже активно применяются и остро востребованы методы и подходы, предлагаемые геометаллургическим моделированием.
4. Эффективность и экономичность методов определения извлекаемой ценности полезного компонента, как справедливо отметил Алексей Цой, должны измеряться в деньгах. Именно здесь и проявляется ключевой профит геометаллургии — это интерполяция прогнозных технологических показателей, рассчитанных аналитическим способом по регрессионным зависимостям, построенным методами машинного обучения. При этом крайне важно чётко разделять и не отождествлять два разных понятия: а) геометаллургия и б) технологические тесты. При таком подходе создание геометаллургической модели не обязательно будет дорогостоящим. В качестве примера, демонстрирующего работоспособность методики (рис. 1), отметим практический опыт выполненных работ по разделению общего суммарного количества запасов руды на цианируемые и упорные (рис. 2) на основе дешёвого массового анализа рядовых проб (по данным РФА) и достоверного (с незначительной погрешностью 4 %) определения коэффициента извлечения [1].
Классификация (типизация) по обогатимости определяется величиной извлечения серебра* и предусматривает два типа руд и две технологии переработки:
*Примечание: граничное значение извлечения серебра рассчитывается по данным технико-экономических расчётов доходности при переработке руд в зависимости от режимов переработки.
Бизнес-эффект от использования геомет-модели (общая концептуальная схема приведена на рис. 3) возникает за счёт существенной экономии средств благодаря сокращению объёмов дорогостоящих технологических тестов при допустимых рисках ошибочного прогноза.
Распространённое заблуждение, заключающееся в отождествлении геометаллургии и геолого-технологического картирования (ГТК), прозвучало и в выступлениях участников, ограничивающих факторы успешного внедрения геометаллургического моделирования лишь тремя составляющими: лабораторией, ГТК и эксплоразведкой. Однако важно понимать, что ключевая особенность и ценность геометаллургии заключается в сокращении затрат времени и снижении производственных затрат при высокой степени точности прогнозирования технологических показателей, а также в использовании пространственных трёхмерных моделей.
5. Выступления участников также высветили проблему, которая, однако, не была сформулирована в явном виде: что же, помимо традиционного недоверия ко всему новому, тормозит развитие геометаллургии? Стараясь сформулировать это, рискну поделиться личным взглядом.
После того как геометаллургия вошла в моду, в неё пытаются «впихнуть» полный цикл управления горным предприятием, от забоя до конечной продукции. Всё то, что так красочно описывается в составе этого цикла управления (высокоточная экскавация, дроны, цифровая модель карьера и фабрики и т. п.), как, думаю, понятно многим специалистам, не даст ожидаемого эффекта, если предприятие не будет располагать геомет-моделью, в которой наряду с привычными полями содержаний полезных компонентов будут параллельно проинтерполированы ключевые показатели, определяющие извлекаемую ценность.
Выше, в пункте 4, а также в выступлениях коллег из «Полюса» Надежды Гусевой и Павла Мишуловича было доказано, что эта задача вполне решаема при правильных подходах и методиках. Если представить ситуацию образно, то, создавая продвинутые системы управления горным предприятием, мы строим телегу, в которую еще предстоит запрячь лошадь — коей и является геомет-модель. Этот термин, «геомет-модель», весьма удачно родившийся в ходе дискуссии, стоит принять и запустить в употребление, чтобы отделить «лошадь» от «телеги», чтобы поставить её впереди «телеги» и определить её приоритет.
6. Возможности геомет-модели прогнозировать дорогостоящие технологические показатели, опираясь на регрессионные модели, построенные на базе массовых и дешёвых химических анализов, дают максимальную эффективность только в сочетании с правильными геологическими подходами, положенными в основу технологического опробования. В связи с этим автор считает необходимым дополнить вышесказанное следующими принципами и требованиями к обеспечению представительности пробоотбора в ходе выполнения ГТК:
a) максимальная однородность частных проб в составе композитной пробы — т. е. частные пробы только одной разновидности должны входить в состав объединённой пробы;
b) разнородность и представительность композитных проб по каждой из выделенных разновидностей вещественного состава (природных типов руд) — т. е. количество технологических проб формируется пропорционально доле каждого типа руды в общих запасах месторождения;
c) статистика распределения вещественных параметров в обучающей выборке должна соответствовать аналогичным статистикам в блочной модели для каждой разновидности руд;
d) по возможности одна композитная проба должна представлять один непрерывный интервал одной скважины, относящийся к определённому природному типу. Соблюдение этого правила при наличии достаточного количества кернового материала для достижения необходимой массы пробы позволяет оценить вариативность свойств и одновременно увидеть пространственную вариативность свойств руд «в неусреднённом виде» [2].
Даже если различные типы руд будут смешиваться при последующей переработке, их неоднородности должны быть обязательно выявлены, зафиксированы и пространственно геометризованы в составе трёхмерной блочной модели. Это позволит обеспечить достоверное и оперативное определение параметров обогащения в ходе эксплуатации. Этот ключевой аспект подготовки исходных данных для моделирования подводит к следующему важному тезису.
7. Если ГТК как метод изучения и представления закономерностей пространственного размещения типов и сортов полезного ископаемого будет основан на фундаментальном принципе неоднородности состава руды и строгом учёте разнородности выделенных типов руд, это позволит решить проблему исследования поведения разных природных типов руд внутри единой системы шихтовки. В завершающей дискуссии, прозвучавшей на геомет-сессии «Майнекс-2025», стоит отметить важные выступления коллег, поднимающих обычно замалчиваемую проблему системы шихтования, которая зачастую служит способом маскировки или даже утилизации неблагоприятных руд. В качестве основного способа борьбы с существующей неэффективной системой шихтования руд автору статьи представляется симбиоз экспертных геологических знаний в сочетании с современными инструментами блочного моделирования и машинного обучения, применяемыми уже на стадии компоновки технологических проб. Таким образом, первым шагом к построению геометаллургической модели является разработка программы отбора проб ГТК, что связано с необходимостью классификации интервалов опробования, которые являются неоднородными по природным признакам.
Результатом и непременным условием разработки программы отбора является выделение принципов классификации руд на природные типы с целью их последующего объединения в композитные пробы с таким расчётом, чтобы в последующем определить рабочие зависимости между вещественными критериями (например, показателями химического и минералогического состава) и экспериментальными данными технологических исследований проб. Группировка частных проб проводится методом кластеризации интервалов опробования по принципу максимальной однородности интервалов частных проб в составе композитной пробы путём определения классификационных параметров руд, применимых к частным пробам. Для выполнения кластеризации с использованием нейросетевых технологий могут использоваться данные геохимических и минералогических исследований, а также оцифрованные данные визуальной первичной документации керна. Алгоритм самоорганизующейся сети Кохонена, используемый в нейросетевой модели, путём размещения центров радиальных элементов пытается распознать однородные кластеры в множестве разнотипных числовых и категориальных признаков [3].
Кластеризация данных, основа данной методики, играет ключевую роль в обработке больших объёмов разнородной информации, позволяя разделять пробы таким образом, чтобы:
— группы (кластеры) отражали структуру исходных данных;
— объекты внутри одного кластера были похожи друг на друга;
— объекты из разных кластеров отличались друг от друга.
Для наглядности рассмотрим реальный пример кластеризации, представляющей собой вид обучения «без учителя», который оказался эффективным при анализе неоднородных по природным признакам интервалов опробования для разработки программы отбора проб полиметаллических руд.
После геологического анализа классификационно значимых параметров руд был произведён кластерный анализ методом обучения «без учителя» для поиска разнородных кластеров по выбранным значимым переменным: литология, интенсивность сульфидизации, содержания Zn, Cu, Pb, Au, Ag, Fe. Алгоритм самоорганизующейся сети Кохонена путём размещения центров радиальных элементов распознаёт в результате итеративной процедуры обучения однородные кластеры в большом множестве наблюдений. После того как были выявлены четыре кластера, все анализируемые пробы автоматически помечаются метками принадлежности к разным кластерам.
Однородность свойств внутри кластера и разнородность между кластерами визуально оценивается на рис. 4 по статистическим показателям, наглядно представленным на диаграммах размаха содержаний в виде «ящиков с усами».
Разделение руд на различные типы, основанное на их неоднородности, позволяет реализовать ключевой принцип успешной шихтовки: «Чтобы правильно смешать на фабрике, сначала необходимо правильно разделить в недрах». Для обеспечения строгого учёта разнородности выделенных типов руд в процессе ГТК крайне важно установить взаимосвязь между показателями обогащения и данными о вещественном составе уже на этапе геолого-технологического опробования. Выявление и детальный анализ этой взаимосвязи на всех этапах технологического изучения руд, и особенно на самых ранних стадиях опробования, требует применения современных методик и принципов анализа и моделирования изменчивости руд.
Вывод: полученные результаты выполненных проектов, основанных на применении нейронных сетей и интеграции машинного обучения в технологии блочного моделирования, позволяют преобразовать блочную модель оценки содержаний в геометаллургическую блочную модель, отражающую пространственную изменчивость прогнозных технологических показателей, имеющих ключевое значение для извлекаемой ценности полезного компонента. С помощью геометаллургической блочной модели рекомендуется осуществлять эффективное планирование добычи и прогнозирование эксплуатационных издержек при переработке руд.
Рекомендации, представленные в данной статье, направлены на предотвращение неудач и серьёзных проблем, возникающих из-за недооценки изменчивости руд как на этапе изучения месторождения и запуска проектов, так и на протяжении всего жизненного цикла горного предприятия.
Список литературы
1. Мальцев Е. Н. Современные подходы к созданию геолого-технологических блочных моделей и оценке технологической изменчивости руд // Рациональное освоение недр. 2025. № 1. С. 42–55. doi: 10.26121/ 2219-5963-81-1-42-5 Электронный ресурс URL: https://t.me/gtbm_model/76 (дата обращения: 07.11.2025)
2. Гусева Н. С., Макшанин А. В., Бакланова В. С., Иванов А. А. Построение геолого-металлургических моделей золоторудных месторождений // Рациональное освоение недр. 2024. № 4. С. 68–76. doi: 10.26121/ 2219-5963-78-4-68-76.
3. Никулин И. И., Самсонов А. А. Нейросетевой кластерный анализ площадных геофизических данных рудоносного Хибиноловозёрского вулкано-плутонического комплекса (Кольский п-ов) методом самоорганизующихся карт Кохонена // ГЕОФИЗИЧЕСКИЕ ИССЛЕДОВАНИЯ. 2021. Том 22. № 1