skip-lazy

Нейросетевые технологии обработки данных в практике моделирования технологических показателей

Мальцев Евгений Николаевич, главный специалист отдела геологии ООО «НИИПИ ТОМС» (Институт ТОМС, г. Санкт-Петербург)

В последние десятилетия мы наблюдаем стремительный рост интереса к нейронным сетям, которые успешно применяются в различных областях: бизнесе, медицине, технике, геологии, физике. Нейронные сети используются везде, где нужно решать задачи прогнозирования, классификации, нелинейной регрессии или управления. Такой впечатляющий успех нейронных сетей определяется богатыми возможностями и простотой в использовании.

Нейронные сети — мощный метод моделирования, позволяю-щий воспроизводить чрезвычайно сложные зависимости за счет способности самообучаться. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. При этом от пользователя, конечно, требуется какой-то набор эвристических знаний о том, как следует отбирать и подготавливать данные, выбирать нужную архитектуру сети и интерпретировать результаты, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем, например, при использовании геостатистических методов. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных. Особенность работы нейросетей состоит в том, что нейросеть обучается на исторических данных, находит специфические паттерны, указывающие на зависимости внутри данных, и на их основе строит свой прогноз. Выходные значения каждой итерации сравниваются с целевыми выходными значениями, которые также содержатся в наборе исходных данных, и ошибка, т. е. разность между желаемым и реальным выходом, используется для корректировки весов сети так, чтобы уменьшить эту ошибку. Единственная опасность, которой нужно остерегаться, — переобучение нейросети, когда она просто «запоминает» примеры и плохо распознает любые другие примеры, не участвовавшие в процессе обучения (т. е. примеры, предъявляемые ей в процессе практического использования).

Основные задачи нейросетевого прогнозирования можно разбить на два основных типа: регрессия и классификация. Большое практическое значение имеет регрессионное прогнозирование технологических показателей извлечения и физико-механических свойств руд в ходе геолого-технологического моделирования, поскольку необходимым и решающим условием для обеспечения рентабельности отработки руды при общем низком уровне извлечения металла является создание геолого-технологических блочных моделей (ГТБМ), учитывающих не только содержание металла в руде, но и технологические свойства руды, среди которых наиболее важными являются коэффициент извлечения полезного компонента из руды и показатели физико-механических свойств руд. Преимущество ГТБМ по сравнению с моделью, построенной на основании содержания полезного компонента, связано с тем, что классификация «руда/порода» основывается на применении к блоку модели условия рентабельности в виде значения безубыточного бортового содержания. Блоки представляют собой объемы горной массы, в которых оценены содержания по данным блочной модели. При этом также определена технология горных работ и переработки руды, позволяющая оценить наиболее вероятный диапазон затрат на горные работы и переработку руды. Стратегия планирования состоит в том, чтобы использовать не только содержания и, как следствие, цену полезного компонента, но и затраты на получение продукции для каждой последовательной стадии отработки с учетом плавающего бортового содержания для текущих экономических условий и текущего этапа планирования. При этом порог разделения между рудой и породой определяется по безубыточному бортовому содержанию (ББС), обеспечивающему окупаемость затрат на добычу.

По результатам прямых данных лабораторных исследований, а также выявленных рабочих зависимостей между технологическими параметрами и вещественными критериями имеется возможность выполнить построение ГТБМ, в которой для каждого блока геологической модели будут рассчитаны показатели извлечения золота, а также показатели физико-механических свойств руд с учетом неоднородности распределения в трехмерном пространстве. Существует несколько подходов к построению ГТБМ месторождений, основанных как на прямом, так и на косвенном способе задания технологических параметров в блочную модель. Прямой (экспериментальный) способ базируется на интерполяции технологических параметров в блочную модель, используя для интерполяции только экспериментальные данные лабораторных исследований руд, полученные в ходе проведения геолого-технологического картирования. Косвенный (аналитический) способ основан на прогнозировании показателей переработки руды по их зависимостям от химико-минералогических факторов (способ, наиболее перспективный для использования при ГТК). При отборе проб ГТК планируется все композитные пробы разделять на две выборки: обучающая и прогнозная. На первом этапе лабораторных исследований выполняется необходимый комплекс технологического тестирования и изучения вещественного состава технологических проб обучающей выборки. В результате построения и анализа нейросетевых моделей и регрессионных уравнений на обучающей выборке, состоящей из 20–25 композитных технологических проб, устанавливается зависимость между технологическими параметрами и вещественными критериями, полученными более дешевыми методами исследований (например, анализ химического и/или минералогического состава), которые будут определены в ходе исследования обучающей выборки. Данные анализа химического и минералогического состава являются входными переменными, а технологические параметры — выходными значениями.

На втором этапе проводятся исследования проб прогнозной выборки (65–70 проб), для которых выполняется изучение вещественного состава (без дорогостоящих и трудозатратных технологических исследований), и осуществляется прогноз технологических показателей на основе выявленных аналитических зависимостей. Перспективность аналитического подхода основана на высокой экспрессности и надежности оценок технологических характеристик руд в сочетании с более низкой трудоемкостью выполнения работ. В последующем рекомендуется использовать результаты разработанной ГТБМ на постоянно действующей основе для дальнейшего геолого-технологического изучения месторождения и в процессе производственной деятельности предприятия для проектирования и планирования производства.

На примере одного из проектов ГТК, на золоторудном месторождении в Иркутской области, рассмотрим практические результаты моделирования показателя индекса абразивности Бонда как наиболее «стрессового» для экономических условий планирования данного объекта.

При разработке пилотной геолого-технологической блочной модели с целью детального изучения технологических и физико-механических свойств руд и достоверного определения их пространственной изменчивости были выполнены следующие работы.

1.         Первым шагом к построению геолого-технологической 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 расчетом, 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 путем 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. Алгоритм самоорганизующейся сети Кохонена, используемый в нейросетевой модели, путем размещения центров радиальных элементов пытается распознать однородные кластеры в множестве наблюдений. В результате итеративной процедуры обучения алгоритм стремится к тому, чтобы элементы сети, соответствующие кластерам, расположенным близко друг к другу в пространстве входов, находились бы близко друг от друга и в топологически упорядоченной выходной сети. После того как кластеры выявлены, все анализируемые пробы помечаются метками принадлежности к разным кластерам (Neuron ID), соответствующим предварительно выделенным шести природным типам руд (рис. 1).

maltcev1-678x490
Рис 1. Нейронные сети — кластеризация — результаты

Таким образом, в специализированном пакете статистической обработки ST Neural Networks (SANN) был произведен кластерный анализ обучения нейронной модели по сети Кохонена для поиска кластеров по двум типа переменных: 1-й критерий — литологический (по степени карбонатизации пород); 2-й критерий — минералогический (по степени интенсивности сульфидной минерализации).

2.         Разработана программа и требования для формирования проб с указанием проектных данных заложения скважин ГТК, объемов бурения и опробования, сведений по основным характеристикам литологического и минерального состава руд, а также расчетных показателей содержания золота и массы частных проб, намеченных для технологического опробования.

3.         Осуществлялось методическое сопровождение программы ведения буровых работ по геолого-технологическому картированию, были сформированы выборки частных проб с учетом требований к отбору.

4.         Проанализированы результаты изучения физико-механических свойств проб руды, вещественного состава и результаты технологических исследований проб.

5.         Разработаны следующие методики технологического моделирования:

а) интерполяция данных с использованием ОБР (метод обратных расстояний) в пределах однородных доменов на материале лабораторных технологических проб. Прямой способ моделирования заключается в том, что в качестве исходных значений принимаются экспериментальные показатели извлечения и физико-механических свойств руд и рассчитывается пространственное распределение с использованием прямой интерполяции методом обратных расстояний, что позволяет заполнить «межскважинное» пространство прогнозными значениями;

б) интерполяция данных на основе рабочих аналитических зависимостей между показателями извлечения, а также физико-механических свойств, с одной стороны, и факторами вещественного состава по материалам химического или минералогического анализа — с другой. Необходимо понимать, что блочная модель извлечения и физико-механических свойств руд, рассчитанных на основе нейросетевого анализа, по мнению авторов, является наиболее перспективной и привлекательной для разработки комплексной программы геолого-технологического картирования на средне- и долгосрочную перспективу. В целом главной особенностью комплексного подхода является использование экспериментальных данных технологических исследований тестовых проб, которые являются более дорогими и трудозатратными в комплексе с аналитическим подходом, который позволяет рассчитать технологические показатели через зависимости технологических показателей от вещественных параметров, полученных более дешевыми методами исследований. Перспективность аналитического подхода основана на высокой экспрессности и надежности оценок технологических характеристик руд в сочетании с более низкой трудоемкостью выполнения работ.

В дальнейшем по вновь полученным данным геолого-технологического картирования, включающим в себя результаты исследований вещественного состава в сочетании с технологическими испытаниями руд, рекомендуется выполнять актуализацию и пополнение постоянно действующей ГТБМ, на основе которой будут планироваться и корректироваться производственные показатели ГОКа, а также определяться расходы материально-технических ресурсов.

Общий вид блочной модели в цветовой градации значений извлечения золота и физико-механических свойств руд по выемочному блоку между горизонтами 780–800 м представлен на рисунках 2–4.

maltcev2-678x418
Рис. 2. Геолого-технологическая блочная модель в цветовой градации значений извлечения золота
maltcev3-678x469
Рис. 3. Геолого-технологическая блочная модель в цветовой градации значений индекса полусамоизмельчения, WSVT (кВт·ч/т)

Рассмотренный простейший пример использования данных ГТБМ при планировании горных работ представлен в виде предполагаемого развития горных работ на запад и восток на горизонты 780, 790 и 800 м с понижением горных работ на 10-метровый уступ.

В расчете календарного плана были использованы сравнительные данные двух моделей: а) экспериментальной модели, проинтерполированной на материале лабораторных технологических проб (ГТБМ-1), и б) аналитической модели, рассчитанной на основе рабочих зависимостей между технологическими показателями и данными химического состава руд (ГТБМ-2).

maltcev4-678x464
Рис. 4. Геолого-технологическая блочная модель в цветовой градации значений индекса абразивности, AI (г)

Выгрузка из ГТБМ сводных данных по извлечению золота, а также основных характеристик физико-механических свойств руды по выемочному блоку (для намеченного периода отработки, по горизонтам), показанная в таблице 1, также свидетельствует о высокой экспрессности, функциональной пригодности и надежности результатов прогнозной оценки, выполненной на основе рабочих аналитических зависимостей.

maltcev5-678x159

Выводы

1.         Состав руды неоднороден. Так же как и содержание полезного компонента, технологические параметры — величина переменная, определенным образом распределенная в трехмерном пространстве.

2.         Одной из основных проблем технологического моделирования является постоянная ограниченность данных лабораторных определений технологических параметров.

3.         Выявленные зависимости между технологическими параметрами руды и вещественными критериями, а также разработанные методики моделирования позволяют выполнить построение геолого-технологической блочной модели, в которой для каждого блока трехмерной модели будут рассчитаны технологические параметры.

4.         Прогнозирование на основе нейросетевого анализа следует настоятельно рекомендовать, потому что это оперативно, математически обосновано и релевантно (т. е. соответствует информационному запросу).

Важно при этом понимать, что создание геолого-технологической блочной модели должно быть обязательной частью процесса геолого-технологического картирования при эффективном планировании добычи. В дальнейшем по вновь полученным данным ГТК, включающим в себя результаты исследований вещественного состава в сочетании с технологическими испытаниями руд, планируется выполнять актуализацию и пополнение постоянно действующей геолого-технологической модели, на основе которой будут планироваться и корректироваться производственные показатели, а также определяться расходы материально-технических ресурсов, без выполнения дорогостоящих технологических тестов. Постоянно действующая геолого-технологическая модель — это объемная имитация месторождения, позволяющая исследовать и прогнозировать процессы, протекающие при разработке, непрерывно уточняющаяся на основе новых данных на протяжении всего периода эксплуатации месторождения. Эти преимущества значительно увеличивают эффективность системы контроля качества и доходность предприятия. Создание постоянно действующей компьютерной модели месторождения рекомендуется включать в качестве обязательного условия в лицензионное соглашение на разработку месторождения.

Поделиться статьёй

Понравилась статья? Подпишитесь на рассылку