От опыта к системе

Современные горные предприятия представляют собой сложные системы, где геологические, технологические и экономические факторы взаимодействуют нелинейным образом. Эффективное управление такими объектами требует интегрированных подходов, способных балансировать между точностью данных и стоимостью их получения. Долгое время выбор стратегии изучения месторождения зависел преимущественно от опыта и интуиции экспертов.

Выйти из полноэкранного режима

Развернуть на весь экран

Исследователи из Кольского научного центра РАН и филиала Мурманского арктического университета в Апатитах предложили решение, которое превращает эту задачу в строгую математическую систему. Результаты их работы описаны в статье, которая недавно вышла в журнале Mining.

Чтобы понять суть разработанного метода, необходимо разобраться в терминологии. Традиционные геологические модели отвечают на вопрос: «Где находится руда и какого она химического состава?» Геометаллургическое моделирование ставит более сложную задачу: оно связывает геологические характеристики руды с ее поведением в технологических процессах обогащения. Конечная цель такого моделирования — присвоение каждой ячейке (блоку) трехмерной цифровой модели месторождения достоверного прогноза о том, как эту руду нужно перерабатывать.

Авторы четко разграничивают два ключевых понятия.

Природный тип руды. Определяется на основе данных рядового геохимического опробования и экспертных решений геологов. Классификация базируется на международных или локальных стандартах (например, классификация магматических пород) и системе геологических знаний. Это ответ на вопрос: «Что это за камень?»

Технологический тип руды. Это технологическая характеристика, которую получают в результате технологического опробования. Она указывает на метод переработки конкретного природного типа: схему дробления, режим флотации, металлургическую обработку и так далее. Это ответ на вопрос: «Как это переработать?»

Технологические типы руды критически важны для развития процессов смешивания руды и организации потоков переработки на обогатительной фабрике. Эффективная модель позволяет максимизировать стоимость проекта, однако ее построение упирается в фундаментальное противоречие между стоимостью информации и операционными рисками.

Геометаллургическое моделирование является ключевым этапом при проектировании горнорудных предприятий. Оно связывает геологические характеристики руды с ее поведением в технологических процессах обогащения. Основная цель — присвоить каждой ячейке трехмерной цифровой модели месторождения достоверного «технологического типа руды», который определяет технологию переработки: дробление, флотацию, металлургическую обработку.

Однако получение высокоточных данных через технологическое опробование создает фундаментальное противоречие между стоимостью информации и операционными рисками. Стоимость одного технологического опробования может достигать 650 тыс. руб., в то время как рядовое опробование обходится всего в 1 тыс. руб. Разница в сотни раз делает сплошное бурение и технологическое опробование экономически невозможными.

Геологи оказываются зажаты в «информационном треугольнике»: точность, стоимость и полнота покрытия. Можно получить много «дешевых» данных, но они будут неточными. Можно получить точные данные, но это потребует значительных ресурсов. Ранее выход из этой ситуации искали преимущественно эмпирически.

Андрей Калашников, Диана Мануковская и Дмитрий Степенщиков предложили рассматривать месторождение как информационную систему и выделили четыре фундаментальные стратегии заполнения модели данными.

• S0 (Прямое измерение). Проверка каждого блока через технологическое опробование. Максимальная точность, но и максимальная стоимость. Подходит только для очень маленьких месторождений самых ценных руд.
• S1 (Интерполяция). Проверка некоторых точек и распространение данных на соседние зоны. Этот метод хорошо работает, когда порода распределена равномерно, но ошибается в сложных условиях, где пространственные корреляции нарушаются.
• S2 (Прокси-моделирование). Это наиболее сбалансированная стратегия. Ученые предлагают использовать «дешевые» параметры (например, химический состав), чтобы через математическую регрессию предсказать дорогие свойства (поведение при обогащении). Затем данные интерполируются на всю модель. Это позволяет значительно сэкономить бюджет на исследованиях без потери качества прогноза.
• S3 (Полная косвенная оценка). Стратегия, предполагающая измерение всех вспомогательных переменных в каждом блоке, теоретически возможна, но на практике часто оказывается слишком затратной из-за объема необходимых данных.

Разработанный авторами алгоритм автоматически оценивает сложность месторождения, стоимость работ и требуемую точность, чтобы выбрать оптимальный путь. Как показали расчеты, для большинства сложных реальных месторождений стратегия S2 обеспечивает наилучшее соотношение цены и качества.

В статье вводится системно-теоретическая основа, которая формализует выбор стратегии как задачу оптимизации затрат на информацию и минимизации технологических рисков.

Основная ценность разработанного математического аппарата состоит в его уникальности: он может работать, где нужно восстановить картину пространства по ограниченным данным. Авторы указывают, что их методологию можно адаптировать для решения сходных задач в других областях, связанных с пространственным моделированием свойств природных сред при ограниченных данных: в гидрогеологии, нефтегазовой инженерии и экологическом мониторинге.

Внедрение такого подхода позволяет компаниям переходить от вопроса «Сколько данных мы можем себе позволить?» к вопросу «Какая стратегия даст максимальную прибыль?». Это снижает технологические риски и делает освоение месторождений более предсказуемым. Ученые отмечают, что дальнейшее развитие метода связано с внедрением машинного обучения для улучшения регрессионных моделей и учетом временных факторов (например, колебания цен на металлы).

Андрей Калашников, ведущий научный сотрудник Геологического института КНЦ РАН, директор Инженерной школы Апатитского филиала МАУ, кандидат геолого-минералогических наук, и Диана Мануковская, младший научный сотрудник Института химии и технологии редких элементов и минерального сырья КНЦ РАН, кандидат химических наук, ответили на вопросы «Ъ-Науки».

— Разработанный алгоритм выбирает стратегию изучения месторождения, оценивая его сложность. Какие именно геологические признаки делают месторождение «сложным» с точки зрения математической модели и почему одни руды предсказывать труднее, чем другие?

— Месторождения твердых полезных ископаемых делятся на четыре группы сложности. Сложность определяется выдержанностью (малой вариативностью) содержания полезных компонентов, выдержанностью геологических параметров рудных тел (мощность, минеральный состав руд, распределение полезного компонента по минералам и др.), интенсивностью тектонической нарушенности, интенсивностью вторичных изменений.

Говоря математическим языком, сложность — это степень пространственной неоднородности различных параметров руды. Эта неоднородность определяется, с одной стороны, геологическими процессами формирования месторождений, с другой — желанием человечества использовать то, что раньше и не считалось рудой. Цены на минеральные ресурсы растут, и со временем становится выгодно добывать те руды, которые полвека назад вообще не считались рудами — бедные, или сложного минерального состава, или глубоко залегающие, или все вместе. Рудные тела таких «новых» руд, как правило, и более сложные — их характеристики распределены в пространстве менее однородно.

— Стратегия прокси-моделирования обещает значительную экономию средств. Можете ли вы привести конкретные цифры: насколько в итоге может подешеветь разведка месторождения при сохранении приемлемого качества прогноза?

— Отбор и исследование одной технологической пробы стоит, грубо говоря, от 0,5 до 2,5 млн руб. Прокси-стратегия, с одной стороны, позволит сократить количество технологических проб на 50–90%. Конкретные цифры зависят от вида сырья, размера и типа месторождения. Предположим, для полноценной характеристики распределения в пространстве технологических свойств на каком-то месторождении нам надо 500 технологических проб стоимостью 1 млн руб. Сократив их количество до 70, мы сэкономим примерно 430 млн руб.

С другой стороны, недропользователь иногда выбирает вообще не строить геометаллургические модели, потому что это дорого и сложно: предпочитает мириться со сбоями в обогащении и потерями полезного компонента. Сколько стоит 50 «плохих» смен обогатительной фабрики в год? Сколько стоит потеря одного процента годовой добычи? Опять же это зависит от вида сырья, объемов добычи и т. д., назвать точные цифры сложно. От сотых долей до первых процентов годовой прибыли горнодобывающего предприятия.

— Ученые проверяли метод на реальных объектах. Был ли случай, когда модель ошиблась, и что это была за ошибка — неправильно предсказали поведение руды или недооценили геологическую неоднородность?

— В статье изложен фреймворк — общий подход к выбору стратегии. Он обобщает предыдущую практику различных предприятий, систематизирует ее, дает инструмент для оценки и выбора между конкретными стратегиями. Ну и исходя из формализации, получилось «предсказать» еще одну стратегию.

Выбор стратегии для реального горнодобывающего предприятия не делали.

В принципе предприятия по всему миру более полувека так или иначе выбирают те или иные стратегии «геометаллургических» исследований. Мы предложили формализацию этого процесса. В чем польза формализации? В том, что мы можем в явном виде задать все требования и ограничения — и технологию, и геологию, и экономику, на основе этого увидеть картину целиком и в итоге оценить экономическую эффективность той или иной стратегии (или вообще отказа от геометаллургического моделирования).

— Дальнейшее развитие вы связываете с машинным обучением. Не превратит ли это геологию в черный ящик, где нейросеть выдает ответ, но геолог перестает понимать, почему руда ведет себя именно так?

— Решения по инвестициям всегда принимает человек, и ответственность за это лежит на конкретных специалистах. Конечно, «дорогие» решения нельзя основывать на советах из черного ящика. Но и «в уме» прокрутить большие данные тоже нельзя. Решение этого парадокса — разработка «объяснимых» моделей машинного обучения/ИИ (explainable AI) на основе, например, байесовских сетей, деревьев решений; подходов, «вскрывающих» черные ящики типа LIME (Local Interpretable Model-agnostic Explanations), DeepLIFT (Deep Learning Important FeaTures) и т. п.

— Если смотреть на десятилетие вперед: сделает ли широкое внедрение таких систем полную разведку месторождения ненужной или буровые станки все равно останутся главным инструментом геолога?

— Месторождения уходят на глубину, бортовое содержание снижается, как следствие, растет сложность и рудных тел, и условий горных работ. Конечно, объем бурения не упадет. Тут другое: без новых методов горных работ, обогащения и моделирования эти новые, сложные месторождения вообще не рассматривались бы как месторождения.

Подготовлено при поддержке Минобрнауки