Многие из областей использования ИИ, о пользе которых для отрасли ещё пару лет назад геологи лишь спорили и строили прогнозы, сегодня становятся всё более распространёнными. Такие технологии в России уже успешно применяются для обработки геофизических данных, исследований химического состава проб, изучения снимков, сделанных из космоса или с летательных аппаратов, распознавания минералов по спектрам и изображениям.
Помимо очевидных выгод: ускорения процессов и сокращения затрат, снижения числа ошибок и других последствий влияния человеческого фактора, — есть и иные преимущества. Например, возможность находить нестандартные решения сложных задач, создавая новые инструменты анализа и моделирования. Четверть XXI века уже позади, и сегодня практически каждая отраслевая компания экспериментирует с ИИ. Вопрос в том, насколько он эффективен и надёжен. Своими практиками внедрения таких технологий в реальную практику ГРР поделились эксперты на форуме «МИНГЕО Сибирь — 2026».
О применении больших языковых моделей и свёрточных сетей в геологии во время технической сессии форума «Кибергеология и недропользование» рассказал представитель ООО «Диджитал Петролеум» (Digital petroleum) Евгений Барабошкин. Одним из проектов, который реализовали в этой компании, стала разработка DeepCore — модели анализа керна.
«Языковые модели в первую очередь умеют хорошо анализировать текст, поэтому они отлично справляются, к примеру, с задачей по анализу журналов учёта, хранения и промеров керна, переводя эту объёмную и разрозненную информацию в машиночитаемый вид, разделяя его по фактуре, структуре и другим параметрам. Даже если каких-то характеристик не будет в исходных документах, ИИ это выявит и представит в структурированном виде. А пользователь может выбрать вид керна и формат, в котором он хочет получить информацию о нём», — пояснил Евгений Барабошкин.
Программа доступна для тестирования и входит в реестр отечественного ПО. К несомненным плюсам этого решения относится не только возможность обнаруживать, привязывать информацию к изображениям, но и получать детализированное и систематизированное описание для разных задач. А помимо того, позволяет в семь раз ускорить операции, связанные с описанием керна.
Система не является чем-то статичным и завершённым, и, по признанию разработчиков, она «всеядна», то есть может работать как на нефтегазовых, так и на рудных месторождениях. Этот продукт настроен на гибкое быстрое создание новых алгоритмов описания и может «подстраиваться» под запросы пользователей. С учётом обучения и загрузки данных на это уходит около месяца. К тому же систему с мультимодальной классификацией можно интегрировать с другими сервисами, выстраивая различные варианты взаимодействия.
«В качестве примера приведу изменения, которые мы внесли для горнорудной отрасли. Для этого собрали и обработали поинтервальные данные по керну с фотографиями. Всего для описания различных характеристик (структуры, текстуры) пришлось создать 10 алгоритмов. В итоге геолог, который работал в нашей системе, обнаружил кварцевые проявления, содержавшие золото», — отметил руководитель проекта.
ИИ действительно стал надёжным помощником геологов в исследовании месторождений полезных ископаемых, в том числе полиметаллических и золоторудных. В частности, машинное обучение всё более эффективно используется как инструмент интерпретации многомерных геохимических данных. Такую практику апробировали во время поисковых работ на объектах АО «Полюс Алдан».
«С помощью этой технологии мы сделали прогноз золотой минерализации по первичным ореолам рассеяния на месторождении в Южной Якутии. Участок находится на территории Верхне-Амгинского щелочного массива и имеет довольно однородный состав пород. В его пределах геологи отобрали более 400 проб, из них 250 — тестовые данные, по которым модель обучалась, валидировалась и тестировалась. Мы провели классические геохимические исследования — это обязательная опция, а затем после кластерного и факторного анализа был выявлен интегральный показатель, так называемый рудный фактор, который достаточно точно описывает минерализацию с положительными значениями по золоту, серебру, мышьяку, меди и сурьме.
Но при этом дал отрицательные результаты по кальцию и некоторым другим элементам, что тоже может иметь значение для дальнейшей интерпретации. Этот фактор был принят как целевой при машинном обучении. Решая задачи классификации, использовали алгоритм «Случайный лес»», — пояснил на «МИНГЕО Сибирь» ведущий геолог отдела ГРР МФЦ «Полюс» Павел Чудинов.
В итоге с помощью ИИ удалось определить две перспективные зоны золотой минерализации. Но только по одной из них цифровой прогноз совпал с результатами классического геохимического анализа. И это говорит о том, что алгоритмы машинного обучения могут расширять возможности геологов, давая дополнительные результаты к тем, которые можно получить с помощью традиционных методов.
Другим практическим кейсом стало создание с использованием ИИ-алгоритмов прогнозной модели золоторудной минерализации. На участке Амутканский собрали более 1800 геохимических проб и провели аэромагнитную съёмку. Как и в первом случае, был выполнен факторный и кластерный анализ. В результате ИИ обнаружил противоречия между данными, которые были получены с помощью двух использованных методов.
«Мы предложили провести машинное обучение модели и использовали для этого 454 пробы. Остальные пробы решили не брать, но потом они помогли при валидации. В качестве целевой «переменной» выступил рудный фактор, который характеризует минерализацию на участке. Кроме того, мы использовали значения аномального магнитного поля. В итоге удалось получить такую модель, в которую можно загружать данные и по другим участкам. Будем применять её в дальнейшем, чтобы делать прогноз без проведения геохимии в поле», — поделился планами спикер.
Кроме того, на объектах «Полюс Алдан» ИИ использовали для обоснования типов минерализации на уже упомянутом Амутканском (1890 геохимических проб) и Перевальном (2700 проб) участках в той же Южной Якутии.
«Если на Амуканском работы уже проводились, то Перевальный — новый для нас участок, где много «белых пятен». Можно только предполагать, что там обнаружим. Ожидаемо, что там могут присутствовать такие минерализации, как лебединский тип (скарновый в карбонатных породах), морозкинский золото-порфировый, пинигинский сульфидно-арсенидный и эльконский золото-урановый. Чтобы оценить, что мы имеем на изучаемой площади, пришлось создать четыре соответствующих алгоритма методом опорных векторов. Для обучения каждого выявили рудные факторы и собрали отдельную выборку, более тысячи проб. Когда проанализировали, то выяснилось, что ИИ определил для южной части Перевального высокую вероятность (до 70%), а для северной части Амутканского — среднюю (до 48%), что это будет пинигинский тип», — пояснил Павел Чудинов.
Скептики часто говорят, что ИИ в геологии — это своего рода «чёрный ящик», избыточная вера в результаты которого может быть рискованной и вести к серьёзным просчётам и ошибкам, а они в ГРР обходятся дорого. Понятно, что точность любых алгоритмов напрямую зависит от качества и количества исходных данных. Например, если база данных ограничена, то модель будет некорректно работать с анализом реальных объектов. Однако, по мнению Павла Чудинова, качественное машинное обучение (МО) — это продолжение классической геохимической статистики, а не «чёрный ящик».
«Результат работы таких алгоритмов основан не на поиске одного «волшебного» элемента-индикатора, а на анализе комплексных геохимических сигналов и их взаимосвязей с геологическим контекстом, что существенно увеличивает обоснованность прогнозных построений и помогает повысить точность проведения ГРР на поисковой стадии», — уверен геолог.
Когда разработчики различных сервисов на основе ИИ презентуют отраслевому сообществу те или иные продукты, системы или модели, они часто указывают на экономический фактор как самый значимый для принятия решений. Насколько это обосновано?
«С помощью технологии MIND, (Model in Drawing, модель в чертеже) которую мы представляем, можно сгенерировать ограниченный, но надёжный набор перспективных участков благодаря машинному анализу данных в камеральный период. Это снижает риск упустить из виду перспективные объекты и сократить масштабы полевых ГРР. Итоговая стоимость открытий месторождений ТПИ снижается вдвое. Однако искусственный интеллект не заменит естественного. Поэтому в основе нашей технологии два компонента: экспертный и программный», — так охарактеризовал ИИ-технологию для прогноза рудных месторождений директор ООО «Космогеология» Сергей Кожевников.
Экспертный блок MIND включает научно-выверенный отбор признаков, использование достоверных геологических данных и авторскую методику классификации месторождений. А геологическая интерпретация результата и верификация прогнозов опирается на существующие традиционные модели. ИИ же берёт на себя всю рутину: автоматизацию обработки информации, от импорта до финальной карты, причём в одном программном контуре. То, что геолог получает на выходе, по формату совместимо с ГИС.
Показанные на «МИНГЕО Сибирь — 2026» практики использования ИИ хорошо иллюстрируют сложившийся в отечественной «кибергеологии» тренд: заметное продвижение новых технологий происходит на поле обработки больших данных. И внимание к такому применению генерирующих сетей не снижается.
«Если анализировать тенденции, то самый высокий пик всплеска интереса мы миновали и вышли на плато, которое демонстрирует стабильность. ИИ стал привычным инструментом для анализа и интерпретации. И если говорить о тех задачах, которые уже сейчас успешно решаются методами машинного обучения, то это распознавание образов. ИИ работает уверенно там, где образ связан с изучаемым объектом прямо и проверяемо. И в отечественных ГРР уже много таких примеров, когда большой массив качественно размеченных данных позволяет автоматизировать и укорить процессы.
Но не в геофизике, где интерпретация — это не распознавание непосредственного образа объекта, а работа с косвенным неоднозначным и контекстно-зависимым сигналом. В структурном картировании число надёжно подтверждённых объектов обычно невелико, а положительные примеры занимают малую площадь», — проанализировал проблемы использования ИИ ведущий геофизик Центра геофизического обеспечения ГСР Всероссийский научно-исследовательский геологический институт имени А. П. Карпинского Андрей Карамышев.
Специалист задался вопросом, как соотнести априорные модели и алгоритмы машинного обучения, чтобы добиться корректной информации на выходе. И добавил материала для размышлений о надёжности выводов ИИ. В самом деле, на один объект может существовать пять и более традиционных интерпретаций экспертов-геологов, которые будут значительно отличаться друг от друга. Как в процессе обучения объяснить это ИИ?
«Полный учёт неопределённостей в обучающих данных и их разметке на текущем этапе представляется затруднительным, поэтому пиковая эффективность обучаемых моделей не превышает 75%. Систематическое преодоление этого порога даже для алгоритмов распознавания, как на основе ИИ, так и классических статистических, едва ли достижимо без существенного повышения качества данных и точности аннотации. Стандартные функции потерь, хорошо показавшие себя на больших сбалансированных выборках, в принципе не учитывают целый комплекс факторов. В результате модель может уверенно выделять структуры и строить оптимистичные прогнозы, противоречащие геологическому контексту, а иногда и базовым законам физики», — считает учёный.
Наиболее эффективен комбинированный подход, который совмещает два метода для получения объективной картины: геолого-генетический принцип, позволяющий прогнозировать процессы независимо от степени изученности территории, и эмпирико-статистический метод, выявляющий скрытые закономерности формирования полезных ископаемых.
Важно понимать, что ИИ — полезный инструмент, который не нужно переоценивать и ограничения которого стоит понимать, решая свои задачи, особенно связанные с прогнозами. Например, учитывать тот факт, что обучение, как правило, ведётся на массиве данных по уже известным и разведанным месторождениям, поэтому положительную прогнозную оценку часто имеют хорошо изученные регионы. А малоисследованные территории из-за недостатка информации для анализа остаются без внимания, несмотря на их возможное ресурсное богатство.
Алгоритмы могут не распознать принципиально новые типы рудных объектов, минерализаций просто из-за того, что таких примеров в базу не загрузили. А если они находят скрытые закономерности и выдают нестандартные результаты, то нужна верификация, включающая заверку в поле. ИИ видит корреляции, но не всегда понимает геологический контекст. Поэтому пока он не может заменить эксперта с естественным интеллектом и профессиональным опытом в анализе уникальных геологических процессов.
Однако то, чему искусственный интеллект не обучен сегодня, он освоит завтра. Перспективы развития «кибергеологии» сегодня связывают именно с гибридными интеллектуальными системами, которые совмещают экспертные знания и алгоритмические методы. Поможет ли это ускорить развитие минерально-сырьевого комплекса? Возможно.
Роснедра и геолого-разведочная отрасль в целом, как показали и итоги форума «МИНГЕО Сибирь — 2026», уже широко внедряют такие технологии.
И пусть пока в первую очередь речь идет о применении алгоритмов, связанных с распознаванием и обработкой больших объёмов информации, развиваются и другие направления. Как отметил в интервью ТАСС глава Роснедр Олег Казанов, если раньше у нас значительная доля месторождений открывалась в результате прямого обнаружения, то сейчас ключевым фактором становятся высокотехнологичные методы поисков, в первую очередь связанные с геофизикой и геохимией. Перспективным руководитель ведомства назвал и геологическое моделирование. Второй этап федерального проекта «Геология. Возрождение легенды» стартовал в России в прошлом году. И в восполнении запасов дефицитных видов металлов ИИ точно не останется в стороне.
Текст: Мария Кузнецова
Спасибо!
Теперь редакторы в курсе.