CC BY
0Гидрометеорология и экология №2 2024
УДК 004.8, 004.9
МРНТИ 27.47.23, 28.23.29, 28.23.37
ОПРЕДЕЛЕНИЕ ЗОН ТЕХНОЛОГИЧЕСКОГО ЗАКИСЛЕНИЯ НА УРАНОВЫХ
МЕСТОРОЖДЕНИЯХ КАЗАХСТАНА С ПРИМЕНЕНИЕМ
МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
К. Абрамов1, Н. Р. Юничева1,2* к.т.н., доцент, Я. И. Кучин1,3 Е. Мухамедиева1
1Институт информационных и вычислительных технологий МНВО РК, 050010, Алматы
2Алматинский Университет энергетики и связи им. Г. Даукеева, 050013, Алматы
3 КазНИТУ им. К.И. Сатпаева, 050013, Алматы,
Е-mail: ykuchin@mail.ru, naduni@mail.ru
Определение зон технологического закисления на урановых месторождениях во время
выщелачивания необходимо для точного контроля и оптимизации процесса извлечения
урана. Неверное определение зоны технологического закисления может привести к избыточному использованию кислотных реагентов, что не только увеличит затраты, но
также может вызвать нежелательные экологические последствия. В работе предложен
подход к решению вопросов, связанных с ручным определением зон технологического
закисления на урановых месторождениях в Казахстане. Подход включает в себя изучение алгоритмов машинного обучения для автоматизации выявления этих критически
важных зон. Применение моделей искусственной нейронной сети (ANN) и модели экстремального градиентного бустинга (XGB), показало свою эффективность в автоматизации и улучшении идентификации этих важных зон при отработке месторождений
урана методом подземного скважинного выщелачивания. Так, точность выделения интервалов закисления по метрике F1-score для модели ANN составляет 0,75, а для модели XGB составляет 0,80.
Ключевые слова: машинное обучение, добыча урана, зона технологического закисления, подземное
скважинное выщелачивание, искусственные нейронные сети (Artificial Neuron Network / ANN) , экстремальный градиентный бустинг (Extreme Gradient Boosting / XGB).
Поступила: 27.02.24
DOI: 10.54668/2789-6323-2024-113-2-67-80
ВВЕДЕНИЕ
Ядерная энергетика, как известно,
играет важную роль в развитии современной
промышленности. Её преимущества многообразны, начиная от низкого углеродного
следа до способности предоставлять энергию
крупномасштабно
без
использования
больших объемов ископаемого топлива.
Энергетическая плотность урана, основного
топлива для ядерных реакторов, позволяет
рассматривать ядерную энергию как основу
в переходе к более чистому и экологичному
производству.
Республика Казахстан является одним
из ключевых участников на урановом рынке
по добыче ископаемого урана, который служит
основным сырьем для производства ядерной
энергии. Месторождения урана существенно
способствуют её экономическому росту
и удовлетворяют растущему глобальному
спросу на ядерную энергию.
Метод
подземного
скважинного
выщелачивания - основной способ добычи
урана в Казахстане (Петров Н., 1995),
(Петров Н., Язиков В.Г, 2014).
Метод
включает в себя введение кислотного
раствора непосредственно в рудное тело, что
позволяет растворять уран в естественной
среде (Перельман А. И.,1980). Значимость
этого метода в его потенциале - уменьшить
воздействие
на
окружающую
среду
(Евсеева Л. С., 1962). Вместе с тем, определение
зон технологического закисления пластов в
пределах применения подземного скважинного
выщелачивания,
представляет
собой
значительные трудности.
Технологическое
закисление
в
методе подземного выщелачивания на
месторождениях урана – это
процесс
изменения химическогосостава раствора,
67
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
используемого для выщелачивания металла из руды. В методе выщелачивания
на месторождениях урана используется
химическая
реакция
с
применением
кислоты
для
выщелачивания
урана
непосредственно из зоны месторождения.
Формирование зон технологического закисления происходит в результате реакции
кислоты с минералами в горных породах.
Кислотное воздействие вызывает химические
изменения в окружающей среде, приводя
к образованию растворов, богатых ураном
(Перельман А. И., 1965).
Определение зон технологического
закисления в методе подземного выщелачивания осуществляется с использованием
различных методов каротажа. Хорошим
способом визуального определения зон
технологического
закисления
является
занижение кривой каротажа электрических
сопротивлений. Пример зон технологического
закисления в скважине представлен на
рисунке 1.
Рис.1. Пример зон технологического закисления в скважине
Геологическая и гидрогеологическая
сложность процесса выщелачивания, в сочетании
с динамичной природой технологического
закисления, делает точное ручное определение
невероятно сложным (Helbig K., Treitel S.,
2001). Существующие программные решения
обнаруживают ограничения в предоставлении
всеохватывающего и автоматизированного
понимания этих критических зон.
Определение зон технологического
закисления на урановых месторождениях
во время выщелачивания необходимо для
точного контроля и оптимизации процесса
извлечения урана. Зоны представляют собой
68
Гидрометеорология и экология №2 2024
области,
подвергшиеся
воздействию
кислотных реагентов, и их правильное
выделение позволяет эффективно управлять
ресурсами, сокращая издержки и минимизируя
воздействие на окружающую среду.
Неверное
определение
зоны
технологического закисления может привести
к избыточному использованию кислотных
реагентов, что не только увеличит затраты,
но также может вызвать нежелательные
экологические последствия. Недостоверное
выделение этих зон также ведет к
неверному
определению
коэффициента
фильтрации пород, что может существенно
снизить эффективность самого процесса
выщелачивания.
В работе предложен подход к решению
вопросов, связанных с ручным определением
зон технологического закисления на урановых
месторождениях в Казахстане. Предлагаемый
подход включает в себя изучение алгоритмов
машинного обучения для автоматизации
выявления этих критически важных зон.
На
основе
использования
мощности
алгоритмов
машинного
обучения,
в
работе показана возможность повышения
точности и эффективности определения
зон технологического закисления для
устойчивого развития добычи урановых
ресурсов в Казахстане.
Приложения машинного обучения
(МО / ML) в геофизике давно привлекали
значительное внимание. Внедрение алгоритмов машинного обучения в геофизику
привело к смене парадигмы обработки
и интерпретации данных и отражено в
следующих публикациях (M. Van der Baan,
C. Jutten, 2000), ( L. Hai An, 2000.), (М.А.
Сенилов, 2003), (S. Maiti, R. K. Tiwari, 2007),
( D. Benaouda et al.,1999), (V. Tschannen et al.,
2017), (S. Chikhi et al, 2007), (I. Bachri et al,
2019), ( Р. И. Мухамедиев, и др., 2015), (Е. Н.
Амиргалиев, 2013), (Yan Kuchin et al, 2017),
(Mukhamediev R.I. et al, 2023), (Kuchin et al,
2023), (Haykin S.S., 1994).
Несмотря на достижения, сохраняются
проблемы с предварительной обработкой и
классификацией, что требует дальнейших
исследований.
Указанные
исследования
определяют детальный и контекстноориентированный подход к приложениям МО
в геофизике урана, что делает актуальным
для исследовательей решение существующих
пробелов для получения более надежных и
точных результатов.
МАТЕРИАЛЫ И МЕТОДЫ
На первом этапе собраны данные
с урановых месторождений в Южном
Казахстане. Выделены данные каротажей из
общей выборки в 68 скважинах, среди которых
42 обладают зонами технологического
закисления. Данные для работы алгоритмов
машинного обучения организованы в
формате Microsoft Excel и импортированы из
корпоративной базы данных. Набор данных
включает три ключевых листа из XLS-файла.
Первый лист служит хранилищем
каротажей в цифровом виде с шагом
квантования в 10 сантиметров. Данные
включают различные типы каротажей,
каждый
из
которых
предоставляет
конкретную информацию о геологических
формациях. К ним относятся ГК (Гамма
Каротаж), КС (Кажущееся Сопротивление),
ПС
(Поляризация
Самопроизвольная),
КМ (Каварнометрия), ИК (индукционный
каротаж) Для рудоносного горизонта
записаны концентрации радия, предоставляя
важные сведения о потенциальных урановых
залежах.
Второй лист содержит данные
литологии, классифицируя типы горных
пород по проницаемости. Эта информация
важна для понимания геологического
строения и фильтрационных характеристик
подземных
образований.
Здесь
закодированы литологические различия,
записаны
коэффициенты
фильтрации,
давая представление о пористости и
проницаемости подземных формаций. Также
включены нормализованные значения для
электрических каротажей, способствуя более
глубокому пониманию проводящих свойств
геологических образований.
Третий
лист
предоставляет
географические
координаты
скважины.
Эта информация фундаментальна для
пространственного анализа и картографии
урановых залежей.
Предварительная обработка данных
играет ключевую роль в очистке и подготовке
69
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
набора данных для анализа методами машинного обучения. Этот этап является неотъемлемой для обеспечения чистоты и готовности
набора данных для последующего анализа с
помощью методов машинного обучения. Данные для каждой скважины загружены с фокусом на скважинах с наличием зон технологического закисления и без таких зон.
После загрузки данные преобразовываются для объединения наборов, содержащих зоны технологического закисления и не
содержащих их в единый список для упрощенного анализа.
Из первого листа каждого файла извлечены ключевые данные, такие как номер
скважины, информация о глубине, данные о
рудных пересечениях, каротажи ГК, КС, ПС и
КМ. Для рудоносного горизонта также извлекались значения концентрации радия.
Второй лист предоставил следующие
данные: интервалы глубин для выбранных
литологических слоев, коды литологии, коды
проницаемости пород, значение коэффициентов фильтрации и зон технологического закисления (при наличии). Из третьего листа взяты
координаты скважины для ее географической
привязки. После формирования единого списка литотипы основных классов объединяются, а для зон технологического закисления
выделяется специальный класс. Полный список получившихся литотипов приведен в
Таблице 1.
Список использованных в работе литотипов
Код литотипа
1
2
3
4
5
6
7
8
Таблица 1
Наименование литотипа
гравий, галька
песок крупнозернистый
песок среднезернистый
песок мелкозернистый
песчаник
алеврит
глина
зона закисления
Значения каротажей КС и ПС были
нормализованы в пределах объединенного набора данных для поддержания согласованности характеристик.
Далее набор данных был разделен на
обучающий и тестовый поднаборы, при этом
17 % данных зарезервированы для тестирования. Набор данных для обучения был разделен на обучающий и валидационный поднаборы в соотношении 75 и 25 % от общего набора
данных соответственно.
В работе использовались две модели машинного обучения – искусственные
нейронные сети (Artificial Neuron Network /
ANN) и экстремальный градиентный бустинг
(Extreme Gradient Boosting / XGB). Выбор этих
моделей основан на их эффективности, показанной в предыдущих работах (I. Goodfellow
et al, 2016), (T. Chen, 2016). Данный выбор
направлен на использование преимуществ
этих моделей для решения конкретных задач,
связанных с выявлением зон технологического закисления. Функции активации, алгоритм
обратного распространения и общая архитектура играют ключевую роль в способности
ANN выявлять закономерности, делая ее надежным выбором для задачи выявления зон
технологического закисления. Способность
XGB обрабатывать сложные наборы данных и
его устойчивость к переобучению хорошо соответствуют особенностям данных урановой
геофизики.
После предварительной обработки
данных выполняется процесс обучения и валидации моделей машинного обучения, являющийся ключевым этапом исследования.
Обучение модели ANN включало использование функции RELU в качестве функции активации и оптимизатора ADAM. Процесс обучения происходил в течение 200 эпох,
70
Гидрометеорология и экология №2 2024
предоставляя
модели
значитель- содержит
аспекты
динамики
обученый
опыт
работы
с
данными. ния модели и представлена на рисунке 2.
Сводка об обучении модели ANN
Рис.2. Краткое описание динамики модели ANN
Отчет о классификации модели ANN, цу ошибок ANN, визуально отображающая
раскрывающий ключевые характеристи- производительность модели на тестовых
ки точности, полноты и F1-меры, и матри- данных представлена на рисунках 3 и 4:
Рис.3. Отчет о классификации модели ANN
В модели XGB использовалось кодирова- обучался с параметрами, как показано на рисунние категориальных данных для совместимости ке 5, настроенными для баланса между сложс требованиями модели. Классификатор XGB ностью модели и предсказательной точностью.
71
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
Рис.4. Матрица ошибок модели ANN
В модели XGB использовалось кодирова- показано на рисунке 5, настроенными для
ние категориальных данных для совмести- баланса между сложностью модели и предмости с требованиями модели. Классифи- сказательной точностью.
катор XGB обучался с параметрами, как
Рис.5. Параметры модели XGB
Для количественной оценки производительности вычислен коэффициент точности для модели XGB, обозначенный как
accuracy_score, предоставляя лаконичную
меру правильности предсказаний модели.
Вычисленный коэффициент представлен на
рисунке 6.
Далее, аналогично модели ANN, модель XGB проанализирована через отчет
о классификации XGB и матрицу ошибок
XGB, предоставляя детальное разбиение
классификационных метрик и поведение модели. Отчет представлен на рисунках 7 и 8.
72
Гидрометеорология и экология №2 2024
Рис.6. Коэффициент XGB Accuracy
Рис.7. Отчет о классификации модели XGB
Рис.8. Матрица ошибок модели XGB
Процесс обучения и валидации является ключевым аспектом методологии
работ, позволяя провести оценку предсказательных возможностей и обобщающей
производительности моделей машинного
обучения при выявлении зон технологического закисления на урановых месторождениях Казахстана.
73
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
Результаты исследования показывают влияние алгоритмов машинного обучения на определение зон технологического
закисления на урановых месторождениях в
Казахстане. Применение моделей машинного обучения, в частности искусственной нейронной сети (ANN) и модели экстремального
градиентного бустинга (XGB), доказало свою
эффективность в автоматизации и улучшении
идентификации этих важных зон при отработке месторождений урана методом подземного
скважинного выщелачивания. Комплексное
тестирование построенных моделей на всем
наборе данных продемонстрировало многообещающие результаты. Особого внимания
заслуживает интерпретационная способность
моделей различать зоны технологического закисления в наборе данных. Результаты сравнения точности по каждой скважине в наборе данных, подробно описанные в таблице
2 и приведенные на рисунке 9, дают четкое
представление об эффективности алгоритмов
машинного обучения в контексте геофизики
урана.
Сравнение точности предсказания моделей ANN и XGB
Таблица 2
№
Скважина
ANN accuracy
XGB accuracy
№
Скважина
ANN accuracy
XGB accuracy
1
83-3-7
0,51
0,61
87св-2-3
0,59
0,71
85-1-1
0,52
0,68
35
2
87св-2-4
0,77
0,79
3
85-1-4
0,49
0,56
36
87св-2-5
0,64
0,73
85-2-1
0,63
0,66
37
4
87св-2-6
0,39
0,61
5
85-2-2
0,35
0,62
38
87св-2-7
0,62
0,72
85-2-3
0,37
0,74
39
6
87св-3-5
0,52
0,73
7
85-2-4
0,28
0,53
40
87св-3-6
0,78
0,73
86СВ-3-1
0,58
0,53
41
8
87св-3-8
0,57
0,64
9
86СВ-3-6
0,62
0,60
42
0,69
0,68
10
86СВ-4-1
0,53
0,48
43
87св-3-9
0,81
0,85
11
0,53
0,66
44
89св-1-1в
86СВ-4-2
0,53
0,63
12
86св-3-5
0,56
0,55
45
89св-1-3в
0,66
0,71
13
0,38
0,42
46
89св-1-6в
86св-3-7
0,63
0,79
14
86св-3-9-1
0,36
0,50
47
89св-1-8в
0,63
0,70
15
0,62
0,61
48
89св-146нр
86св-4-3
0,68
0,73
16
86св-4-4
0,15
0,15
49
89св-2-1в
0,53
0,72
17
0,50
0,65
50
89св-3-5
86св-5-1
0,75
0,69
18
86св-5-11-1
0,63
0,61
51
89св-3-7
0,73
0,70
19
0,42
0,52
52
89св-3-8
86св-5-2
0,73
0,88
20
86св-5-3
0,63
0,67
53
89св-4-2в
0,63
0,68
21
0,58
0,66
54
89св-4-3в
86св-5-5
0,35
0,52
22
86св-5-6
0,66
0,67
55
89св-6-3
0,65
0,70
23
0,54
0,63
56
89св-6-4-1
86св-5-7
0,70
0,73
24
86св-5-8
0,53
0,59
57
89св-7-1
0,63
0,77
25
0,20
0,22
58
89св-7-11
86св-5-9
0,74
0,77
26
86св-6-1
0,45
0,42
59
89св-7-2-2
89св-7-3
0,78
0,77
86св-6-2
0,43
0,40
60
27
0,47
0,62
28
86св-6-3
0,59
0,55
61
89св-7-6
89св-7-7-2
0,49
0,59
86св-7-1
0,45
0,48
62
29
0,56
0,80
30
86св-7-2
0,41
0,43
63
89св-7-8
89св-7-9
0,72
0,77
86св-7-3
0,41
0,52
64
31
0,66
0,74
32
87св-1-12-1
0,42
0,55
65
89св-8-1
89св-8-2
0,68
0,76
87св-2-1
0,49
0,50
66
33
0,67
0,78
34
87св-2-2
0,53
0,63
67
95-2-1
68
95-2-2
0,70
0,86
74
Гидрометеорология и экология №2 2024
Сравнение точности предсказания рассматриваемых моделей представлено на рисунке 9.
Рис.9. Сравнение точности предсказания моделей ANN и XGB
В таблице 3 и на рисунке 10 приве- скважин, в которых имелись зоны технологидены данные для метрики F1-score для тех ческого закисления.
Сравнение F1-score для скважин с технологическим закислением
Скважина
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
85-1-1
85-2-1
85-2-2
85-2-3
85-2-4
86св-3-5
87св-1-12-1
87св-2-1
87св-2-2
87св-2-3
87св-2-4
87св-2-5
87св-2-6
87св-2-7
87св-3-5
87св-3-6
87св-3-8
87св-3-9
89св-1-1в
89св-1-3в
89св-1-6в
ANN F1-score
0,50
0,61
0,32
0,47
0,25
0,62
0,36
0,37
0,65
0,72
0,56
0,65
0,54
0,59
0,68
0,66
0,74
0,47
0,86
0,58
0,72
XGB F1-score
0,68
0,65
0,64
0,73
0,54
0,56
0,52
0,50
0,59
0,70
0,80
0,72
0,58
0,71
0,73
0,72
0,60
0,66
0,84
0,67
0,71
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
Таблица 3
Скважина
ANN F1-score
XGB F1-score
89св-1-8в
89св-146нр
89св-2-1в
89св-3-5
89св-3-7
89св-3-8
89св-4-2в
89св-4-3в
89св-6-3
89св-6-4-1
89св-7-1
89св-7-11
89св-7-2-2
89св-7-3
89св-7-6
89св-7-7-2
89св-7-8
89св-7-9
89св-8-1
89св-8-2
95-2-1
95-2-2
0,70
0,60
0,67
0,61
0,69
0,65
0,74
0,64
0,42
0,63
0,72
0,61
0,74
0,75
0,56
0,51
0,58
0,71
0,64
0,62
0,66
0,64
0,78
0,70
0,74
0,74
0,70
0,73
0,87
0,69
0,58
0,70
0,75
0,77
0,77
0,78
0,66
0,63
0,82
0,78
0,74
0,77
0,77
0,86
75
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
Сравнение F1-score для скважин, где присутствуют зоны технологического закисления
показано на рисунке 10.
Рис.10. Сравнение F1-score для скважин, где присутствуют зоны технологического закисления
Эффективность работы моделей оценивалась в контексте интерпретации зон технологического закисления по всему набору
данных. Это включало применение моделей
ко всем 68 скважинам. Модели успешно продемонстрировали свою способность выделять
и классифицировать зоны технологического
закисления, предоставляя ценные исследовательские данные для геологических исследований в контексте урановой геофизики.
Модели машинного обучения, такие
как использованные в этом исследовании
модели ANN и XGB, демонстрируют способность автоматизировать и ускорить процесс идентификации зон технологического
закисления. Используя передовые алгоритмы
распознавания шаблонов, эти модели эффективно анализируют сложные геологические
наборы данных, обеспечивая быструю и точную идентификацию зон технологического
закисления.
Ручной характер традиционных методов приводит к продолжительному времени обработки каждой скважины. Алгоритмы
машинного обучения работают на порядок
быстрее, повышая общую эффективность
процесса интерпретации. Ускорение времени обработки особенно важно в масштабных
геофизических исследованиях, где требуется
систематический анализ множества скважин.
Более того, субъективность, присущая ручному анализу, уменьшается благодаря объективной и последовательной природе
моделей машинного обучения. Алгоритмы
обучаются на обширных наборах данных, изучая тонкие закономерности, которые могут
ускользнуть от ручного анализа. Это улучшает точность и надежность идентификации зон
технологического закисления, способствуя
более надежным геологическим оценкам.
ЗАКЛЮЧЕНИЕ
Исследование применения методов
машинного обучения (МО / ML) в геофизике
урановых месторождений, особенно при выявлении зон технологического закисления,
привело к многообещающим результатам.
Комплексный сбор данных из 68 скважин
обеспечил прочную основу для ML-моделей,
включая данные по каротажам, литологии и
геопривязке. Тщательные этапы предварительной обработки данных, включая разделение скважин с и без зон технологического
закисления, и нормализацию ключевых параметров каротажей, гарантировали качество и
актуальность набора данных.
Выбранные ML-модели, искусственные нейронные сети (ANN) и экстремальный градиентный бустинг (XGB), продемонстрировали свою эффективность в обработке
76
Гидрометеорология и экология №2 2024
сложных геологических данных, связанных
с урановыми месторождениями. Процессы
обучения и валидации, с подробными исследованиями гиперпараметров и метрик производительности, показали возможности этих
моделей точно идентифицировать зоны технологического закисления.
Представление результатов показало,
что МО отлично справляется с интерпретацией зон технологического закисления на всем
наборе данных. Сравнение с традиционными
методами подчеркнуло значительные преимущества в экономии времени и автоматизации,
предлагаемых МО, преодолевая проблемы
ручной идентификации. Интерпретация результатов подчеркнула успех ML-моделей в
обеспечении более эффективного и автоматизированного подхода к выявлению зон технологического закисления. Оценка устойчивости и обобщаемости подтвердила стабильную
производительность моделей в разнообразных геологических условиях, подчеркивая их
практическую ценность.
Работа выполнена при финансовой поддержке Комитета науки Министерства науки и
высшего образования Республики Казахстан Республики Казахстан: грант № AP14869110 «Повышение точности решения задач интерпретации данных геофизических исследований скважин
на урановых месторождениях с использованием
методов машинного обучения» (2022 -2024гг.).
СПИСОК ЛИТЕРАТУРЫ
1. Петров Н.Н., Язиков В.Г., Аубакиров Х.Б., Плеханов В.Н., Верщков А.Ф., Лухтин В.Ф. Урановые месторождения Казахстана (экзогенные). Алматы: Гылым,
1995 – 264 с.
2. Петров Н.Н., Язиков В.Г., Аубакиров Х.Б., Плеханов В.Н., Верщков А.Ф., Лухтин В.Ф. Урановые месторождения: Новая эра, №1, 2014 г.
3. Перельман А. И., Гидрогенные месторождения урана.
Основы теории образования, М.: Атомиздат, 1980. 270 с.
4. Евсеева Л. С„ Перельман А. И. Геохимия урана в зоне
гипергенеза. М.: Госатомиздат, 1962. 239 с,
5. Перельман А. И., Экзогенные эпигенетические месторождения урана. Условия образования, . М.: Атомиздат,
1965. 323 с.
6. K. Helbig and S. Treitel, “Computational Neural Networks
for Geophysical Data Processing,” Handbook of Geophysical
Exploration, Seismic Exploration, vol. 30, 2001.
7. M. Van der Baan and C. Jutten, “Neural networks in
geophysical applications,” Geophysics, 65 (4), pp. 10321047, 2000.
8. L. Hai An, “Neutral Network in Lithology Determination,”
Tap chi Tin hoc va Dieu khien hoc, T.16, S.2, pp 59-62,
2000.
9. М.А. Сенилов, “Развитие интеллектуальных методов
обработки геофизических данных,” Искусственный интеллект, 4, pp 357 - 364, 2003.
10. S. Maiti, R. K. Tiwari, and H.-J. Kumpel, “Neural network
modelling and classification of lithofacies using well log
data: a case study from KTB borehole site,” Geophys. J. Int.,
vol. 169, pp 733–746, 2007.
11. D. Benaouda et al., “Inferring the lithology of borehole
rocks by applying neural network classifers to downhole
logs: an example from the Ocean Drilling Program,”
Geophys. J. Int., vol. 136, pp 477 - 491, 1999.
12. V. Tschannen et al., “Facies classification from well logs
using an inception convolutional network,” Computer Vision
and Pattern Recognition (cs.CV), arXiv:1706.00613, 2017.
13. S. Chikhi, M. Batouche, and H. Shout, “Hybrid Neural
Network Methods for Lithology Identification in the
Algerian Sahara,” International Journal of Geological and
Environmental Engineering, vol. 1, no. 4, 2007.
14. I. Bachri, M. Hakdaoui, M. Raji, AC. Teodoro, A.
Benbouziane, “Machine Learning Algorithms for Automatic
Lithological Mapping Using Remote Sensing Data: A Case
Study from Souk Arbaa Sahel”, Sidi Ifni Inlier, Western
Anti-Atlas, Morocco. ISPRS International Journal of GeoInformation 8(6):248, 2019.
15. Р. И. Мухамедиев, Я. И. Кучин, “Средства автоматизации обработки данных геофизического исследования
скважин на месторождениях урана пластово-инфильтрационного типа”, Электронный журнал Cloud of Science
T. 2. № 3, 2015.
16. Амиргалиев Е. Н. и др. Методы машинного обучения
в задачах распознавания пород на урановых месторождениях //Известия НАН РК. – 2013. – №. 3. – С. 82-88.
17. Kuchin Y. I., Grundspenkis J. Machine Learning
Methods for Identifying Composition of Uranium Deposits
in Kazakhstan //Appl. Comput. Syst. – 2017. – Т. 22. – №.
1. – С. 21-27.
18.
Mukhamediev R. I. et al. Determination of
Reservoir Oxidation Zone Formation in Uranium Wells
Using Ensemble Machine Learning Methods //Mathematics.
– 2023. – Т. 11. – №. 22. – С. 4687. https://doi.org/10.3390/
math11224687.
19. Kuchin, Y.; Mukhamediev, R.; Yunicheva, N.; Symagulov,
A.; Abramov, K.; Mukhamedieva, E.; Zaitseva, E.;
Levashenko, V. Application of Machine Learning Methods
to Assess Filtration Properties of Host Rocks of Uranium
Deposits in Kazakhstan. Appl. Sci. 2023, 13, 10958. https://
doi.org/10.3390/app131910958.
20.
Haykin,
S.S.
Neural
Networks:
A
Comprehensive
Foundation,
https://books.google.ru/
books?id=PSAPAQAAMAAJ, 1994.
21. Ian Goodfellow and Yoshua Bengio and Aaron Courville,
Deep Learning, http://www.deeplearningbook.org, MIT
Press, 2016.
22. Tianqi Chen; Carlos Guestrin, XGBoost: A Scalable
Tree Boosting System, doi:10.1145/2939672.2939785[DOI],
http://arxiv.org/abs/1603.02754, 2016
REFERENCES
1. Petrov N.N., YAzikov V.G., Aubakirov H.B.,
Plekhanov V.N., Vershchkov A.F., Luhtin V.F. Uranovye
mestorozhdeniya Kazahstana (ekzogennye). Almaty: Gylym,
1995 – 264 p.
2. Petrov N.N., YAzikov V.G., Aubakirov H.B.,
Plekhanov V.N., Vershchkov A.F., Luhtin V.F. Uranovye
mestorozhdeniya: Novaya era, №1, 2014.
3. Perel’man A. I., Gidrogennye mestorozhdeniya urana.
Osnovy teorii obrazovaniya, M.: Atomizdat, 1980. 270 p.
77
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
4. Evseeva L., Perel’man A. I. Geohimiya urana v
zone gipergeneza. M.: Gosatomizdat, 1962. 239 p.
5. Perel’man A. I., Ekzogennye epigeneticheskie
mestorozhdeniya urana. Usloviya obrazovaniya, . M.:
Atomizdat, 1965. 323 p.
6. K. Helbig and S. Treitel, “Computational Neural
Networks for Geophysical Data Processing,” Handbook of
Geophysical Exploration, Seismic Exploration, vol. 30, 2001.
7. M. Van der Baan and C. Jutten, “Neural networks in
geophysical applications,” Geophysics, 65 (4), pp. 10321047, 2000.
8. L. Hai An, “Neutral Network in Lithology Determination,”
Tap chi Tin hoc va Dieu khien hoc, T.16, S.2, pp 59-62, 2000.
9. M.A. Senilov, “Razvitie intellektual’nyh metodov
obrabotki geofizicheskih dannyh,” Iskusstvennyj intellekt,
4, pp 357 - 364, 2003.
10. S. Maiti, R. K. Tiwari, and H.-J. Kumpel, “Neural
network modelling and classification of lithofacies using
well log data: a case study from KTB borehole site,”
Geophys. J. Int., vol. 169, pp 733–746, 2007.
11. D. Benaouda et al., “Inferring the lithology of borehole
rocks by applying neural network classifers to downhole
logs: an example from the Ocean Drilling Program,”
Geophys. J. Int., vol. 136, pp 477 - 491, 1999.
12. V. Tschannen et al., “Facies classification from well logs
using an inception convolutional network,” Computer Vision
and Pattern Recognition (cs.CV), arXiv:1706.00613, 2017.
13.
S. Chikhi, M. Batouche, and H. Shout, “Hybrid
Neural Network Methods for Lithology Identification in
the Algerian Sahara,” International Journal of Geological
and Environmental Engineering, vol. 1, no. 4, 2007.
14. I. Bachri, M. Hakdaoui, M. Raji, AC. Teodoro,
A. Benbouziane, “Machine Learning Algorithms for
Automatic Lithological Mapping Using Remote Sensing
Data: A Case Study from Souk Arbaa Sahel”, Sidi Ifni
Inlier, Western Anti-Atlas, Morocco. ISPRS International
Journal of Geo-Information 8(6):248, 2019.
15. R. I. Muhamediev, YA. I. Kuchin, “Sredstva avtomatizacii
obrabotki dannyh geofizicheskogo issledovaniya skvazhin
na mestorozhdeniyah urana plastovo-infil’tracionnogo
tipa”, Elektronnyj zhurnal Cloud of Science T. 2.
№ 3, 2015.
16. Amirgaliev E. N. i dr. Metody mashinnogo obucheniya
v zadachah raspoznavaniya porod na uranovyh
mestorozhdeniyah //Izvestiya NAN RK. – 2013. – №. 3.
– P. 82-88.
17. Kuchin Y. I., Grundspenkis J. Machine Learning
Methods for Identifying Composition of Uranium Deposits
in Kazakhstan //Appl. Comput. Syst. – 2017. – T. 22. – №.
1. – P. 21-27.
18. Mukhamediev R. I. et al. Determination of Reservoir
Oxidation Zone Formation in Uranium Wells Using Ensemble
Machine Learning Methods //Mathematics. – 2023. – T. 11.
– №. 22. – S. 4687. https://doi.org/10.3390/math11224687.
19. Kuchin, Y.; Mukhamediev, R.; Yunicheva, N.;
Symagulov, A.; Abramov, K.; Mukhamedieva, E.;
Zaitseva, E.; Levashenko, V. Application of Machine
Learning Methods to Assess Filtration Properties of Host
Rocks of Uranium Deposits in Kazakhstan. Appl. Sci.
2023, 13, 10958. https://doi.org/10.3390/app131910958.
20.
Haykin,
S.S.
Neural
Networks:
A
Comprehensive Foundation, https://books.google.ru/
books?id=PSAPAQAAMAAJ, 1994.
21. Ian Goodfellow and Yoshua Bengio and Aaron
Courville, Deep Learning, http://www.deeplearningbook.
org, MIT Press, 2016.
22. Tianqi Chen; Carlos Guestrin, XGBoost: A
Scalable Tree Boosting System, doi:10.1145/2939672.
2939785[DOI], http://arxiv.org/abs/1603.02754, 2016.
МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ҚОЛДАНА ОТЫРЫП, ҚАЗАҚСТАННЫҢ УРАН
КЕН ОРЫНДАРЫНДА ТЕХНОЛОГИЯЛЫҚ ҚЫШҚЫЛДАНУ
АЙМАҚТАРЫН
К. Абрамов1, Н.Р. Юничева1,2* т. ғ. к., доцент, Я. И. Кучин1,3, Е. Мухамедиева1
1Ақпараттық және есептеуіш технологиялар институты, Алматы, 050010,
2Алматы энергетика және байланыс университеті, Алматы, 050013
3Сатбаев университеті, Алматы, 050013
Е-mail: ykuchin@mail.ru, naduni@mail.ru
Сілтілеу кезінде уран кен орындарындағы технологиялық қышқылдану аймақтарын
анықтау уран алу процесін дәл бақылау және оңтайландыру үшін қажет. Технологиялық қышқылдану аймағын дұрыс анықтамау қышқыл реагенттерін шамадан тыс пайдалануға әкелуі мүмкін, бұл шығындарды арттырып қана қоймайды, сонымен қатар
жағымсыз экологиялық зардаптарды тудыруы мүмкін. Жұмыста Қазақстандағы уран
кен орындарындағы технологиялық қышқылдану аймақтарын қолмен анықтауға байланысты мәселелерді шешуге көзқарас ұсынылды. Бұл тәсіл осы маңызды аймақтарды
анықтауды автоматтандыру үшін машиналық оқыту алгоритмдерін зерттеуді қамтиды. Жасанды нейрондық желі (ANN) және экстремалды градиентті күшейту (XGB)
модельдерін қолдану уран кен орындарын жерасты ұңғымаларын шаймалау әдісімен
өңдеу кезінде осы маңызды аймақтарды автоматтандыруда және сәйкестендіруді жақсартуда тиімділігін көрсетті.Сонымен, ANN моделі үшін F1-score метрикасы бойынша
қышқылдану аралықтарын оқшаулау дәлдігі 0,75, ал XGB моделі үшін 0,80 құрайды.
78
Гидрометеорология и экология №2 2024
Түйін сөздер: машиналық оқыту, уран өндіру, технологиялық қышқылдану аймағы, жерасты ұңғымаларын шаймалау , жасанды нейрондық желілер (Artificial Neuron Network / ANN), экстремалды градиентті күшейту (Extreme Gradient Boosting / XGB).
DETERMINATION OF TECHNOLOGICAL OXIDATION ZONES AT URANIUM
DEPOSITS IN KAZAKHSTAN USING MACHINE LEARNING METHODS MACHINE
LEARNING
K. Abramov1, N. Yunicheva1,2* Candidate of Technical Sciences, associate professor, Y. Kuchin 1,3,
E. Mukhamedieva1
1Institute of Information and Computational Technologies MSHE RK, 050010, Almaty
2Almaty University of Power Engineering and Telecommunications (AUPET), 050013, Almaty
3Satbayev University (KazNRTU), 050013, Almaty
Е-mail: ykuchin@mail.ru, naduni@mail.ru
The determination of technological acidification zones in uranium deposits during leaching
is necessary for precise control and optimization of the uranium extraction process. Incorrect
determination of the technological acidification zone can lead to excessive use of acidic
reagents, which not only increases costs, but also can cause undesirable environmental
consequences. The paper proposes an approach to solving issues related to the manual
determination of zones of technological acidification in uranium deposits in Kazakhstan. The
approach includes the study of machine learning algorithms to automate the identification
of these critical areas. The use of artificial neural network (ANN) models and the extreme
gradient boosting (XGB) model has shown its effectiveness in automating and improving
the identification of these important zones during the mining of uranium deposits by
underground borehole leaching. Thus, the accuracy of acidification intervals according
to the F1-score metric for the ANN model is 0,75, and for the XGB model it is 0,80.
Keywords: machine learning, uranium mining, technological oxidation zone, underground borehole
leaching, artificial neural networks (Artificial Neuron Network / ANN), Extreme Gradient Boosting (XGB).
Сведения об авторах/Авторлар туралы мәліметтер/Information about authors:
Абрамов Кирилл - магистр компьютерных систем, инженер ИИВТ КН МНВО РК, abramc@mail.ru, ORCID:
https://orcid.org/0000-0002-0646-3714
Кучин Ян Игоревич ― PhD студент, старший научный сотрудник ИИВТ КН МНВО РК, ykuchin@mail.ru,
ORCID ID: https://orcid.org/0000-0002-5271-9071
Юничева Надия Рафкатовна ― к.т.н., доцент, ведущий научный сотрудник ИИВТ КН МНВО РК;
naduni@mail.ru. ORCID ID: https://orcid.org/0000-0001-6351-3450
Мухамедиева Елена ― научный сотрудник ИИВТ МНВО РК, muhamedijeva@gmail.com. ORCID ID: https://orcid.
org/0000-0001-9596-4432
Абрамов Кирилл – компьютерлік жүйелер магистрі, ҚР БҒМ ҒК АЕТИ инженері, abramc@mail.ru, ORCID:
https://orcid.org/0000-0002-0646-3714
Кучин Ян Игоревич - PhD студенті, ҚР БҒМ ҒК АЕТИ аға ғылыми қызметкері; ykuchin@mail.ru , ORCID идентификаторы: https://orcid.org/0000-0002-5271-9071
Юничева Надия Рафкатовна - т. ғ. к., доцент, ҚР БҒМ ҒК АЕТИ жетекші ғылыми қызметкері; naduni@mail.ru ,
ORCID идентификаторы: https://orcid.org/0000-0001-6351-3450
Мұхамедиев Равиль Ильгизович - инженерия ғылымдарының докторы, ҚазҰТУ профессоры,
ravil.muhamedyev@gmail.com, https://orcid.org/0000-0002-3727-043X
Мұхамедиева Елена - ҚР БҒМ ҒК АЕТИ ғылыми қызметкері, muhamedijeva@gmail.com, ORCID идентификаторы:
https://orcid.org/0000-0001-9596-4432
Abramov Kirill. - master of computer systems, engineer of the Institute of Information and Computational Technologies,
abramc@mail.ru, ORCID: https://orcid.org/0000-0002-0646-3714
Kuchin Yan - PhD student, senior researcher of the Institute of Information and Computational Technologies;
ykuchin@mail.ru; ORCID ID: https://orcid.org/0000-0002-5271-9071
Yunicheva Nadiya - Candidate of Technical Sciences, associate professor of the Institute of High Technologies; naduni@
mail.ru; ORCID ID: https://orcid.org/0000-0001-6351-3450
Mukhamedieva Elena is a researcher at the Institute of Information and Computational Technologies of the Ministry of
Education and Science of the Republic of Kazakhstan, muhamedijeva@gmail.com, ORCID ID: https://orcid.org/00000001-9596-4432
79
Научная статья
Абрамов, Юничева и др. Особенности зон технологического...
Вклад авторов/Авторлардың қосқан үлесі/Authors’ contribution
Абрамов Кирилл - создание программного обеспечения, проведение статистического анализа
Кучин Ян Игоревич ― разработка методологии, проведение статистического анализа, ресурсы
Юничева Надия Рафкатовна ― проведение исследования, подготовка и редактирование текста, визуализация
Мухамедиева Елена ― разработка концепции, подготовка и редактирование текста, визуализация
Абрамов Кирилл – бағдарламалық жасақтама жасау, статистикалық талдау жүргізу
Кучин Ян Игоревич - әдістемені әзірлеу, статистикалық талдау жүргізу, ресурстар
Юничева Надия Рафкатовна - зерттеу жүргізу, мәтінді дайындау және өңдеу, көрнекілік
Мұхамедиева Елена - тұжырымдаманы әзірлеу, мәтінді дайындау және өңдеу, көрнекілік
Abramov Kirill. - creating software, conducting statistical analysis
Kuchin Yan - methodology development, conducting statistical analysis, resources
Yunicheva Nadiya - conducting a research, preparing and editing the text, visualization
Mukhamedieva Elena - concept development, preparing and editing the text, visualization
80
