Пайдалы қазбаларды болжаудағы жасанды зерде мақаласы

ЖАСАНДЫ ИНТЕЛЛЕКТ ЖӘНЕ МАШИНАЛЫҚ ОҚЫТУ АРҚЫЛЫ ПАЙДАЛЫ ҚАЗБАЛАРДЫ БОЛЖАУ

Сейтмуратова Зульфия Ильяскызы

Әл-Фараби атындағы Қазақ Ұлттық Университеті

«Қолданбалы және есептеу математикасы» мамандығының

1-курс магистранты

Алматы, Қазақстан

[email protected]

тел. номері:+7(747)-571-34-22

Аңдатпа

Бұл мақалада жасанды интеллект (AI) және машиналық оқыту (ML) технологияларының пайдалы қазбаларды іздеуде қолданылуы қарастырылады. Дәстүрлі геологиялық барлау әдістерімен салыстырғанда, AI мен ML үлкен деректерді өңдеу, пайдалы қазбалардың орналасуын болжау және зерттеу үдерісін автоматтандыру арқылы тиімділікті арттырады. Мақалада машиналық оқыту мен жасанды интеллекттің негізгі әдістері, олардың артықшылықтары мен қолдану салалары талқыланады.

Түйінді сөздер: жасанды интеллект, машиналық оқыту, пайдалы қазбалар, геологиялық барлау, болжау әдістері.

Кіріспе

Пайдалы қазбалар – кез келген мемлекеттің экономикалық дамуының негізі болып табылады. Қазақстан табиғи ресурстарға бай елдердің қатарына жатады, алайда оларды тиімді игеру үшін жаңа технологияларды енгізу қажет. Дәстүрлі геологиялық барлау әдістері уақыт пен қаржы шығындарын талап етеді, сонымен қатар дәлдігінің төмен болуы себепті қосымша зерттеулер жүргізуге мәжбүрлейді.

Соңғы жылдары жасанды интеллект (AI) және машиналық оқыту (ML) технологиялары пайдалы қазбаларды іздеуде жаңа мүмкіндіктер ашуда. Бұл технологиялар геологиялық, геофизикалық және геохимиялық деректерді талдау, аномалияларды анықтау, пайдалы қазбалардың таралу аймақтарын болжау сияқты міндеттерді жылдам әрі нақты орындайды.

Осы мақалада AI мен ML технологияларының пайдалы қазбаларды барлау саласындағы рөлі, қолданылатын әдістер, олардың артықшылықтары және болашақтағы даму мүмкіндіктері қарастырылады.

Негізгі бөлім

Жасанды интеллект пен машиналық оқытудың пайдалы қазбаларды болжаудағы рөлі

Пайдалы қазбаларды іздеу және барлау – дәстүрлі геологиялық зерттеулерде үлкен уақыт пен қаржы шығындарын талап ететін күрделі процесс. Дәстүрлі әдістер көбінесе геологиялық карталарға, бұрғылау сынамаларына, спутниктік түсірілімдерге және геофизикалық зерттеулерге негізделеді. Алайда, бұл әдістерде адами фактордың ықпалы, деректерді талдаудағы субъективтілік және үлкен аймақтарда барлау жүргізу қиындығы кездеседі.

Жасанды интеллект (AI) және машиналық оқыту (ML) технологиялары геологиялық зерттеулерді автоматтандыруға, үлкен деректерді жылдам өңдеуге және нәтижелердің дәлдігін арттыруға мүмкіндік береді. Бұл технологиялар пайдалы қазбаларды іздеуде келесі бағыттарда қолданылады:

Геологиялық деректерді талдау және үлгілерді анықтау – AI геофизикалық, геохимиялық және спутниктік деректерді талдау арқылы пайдалы қазбалардың болуы ықтимал аймақтарды анықтайды.

Аномалияларды автоматты түрде анықтау – ML алгоритмдері пайдалы қазбалардың таралуын анықтауға көмектесетін ерекше геохимиялық және геофизикалық көрсеткіштерді анықтай алады.

Үлкен деректермен жұмыс істеу – Жасанды интеллект спутниктік суреттерді, минералдық құрамы туралы деректерді, бұрғылау нәтижелерін және басқа да дереккөздерді біріктіріп, оларды талдаудың ең тиімді әдісін ұсынады.

Жер қойнауын моделдеу және 3D картографиялау – AI технологиялары пайдалы қазбалардың тереңдегі таралуын үш өлшемді картада көрсете алады.

Нақты мысал:

Австралияның "Data61" орталығы машиналық оқыту алгоритмдері арқылы жаңа алтын және мыс кен орындарын табу үшін спутниктік деректерді талдады.

IBM Watson пайдалы қазбаларды іздеуде үлкен деректерді өңдеу арқылы тау-кен компанияларына тиімді шешімдер ұсынуда.

Пайдалы қазбаларды болжауда қолданылатын әдістер

Жасанды интеллект пен машиналық оқыту пайдалы қазбаларды іздеуде әртүрлі алгоритмдер мен әдістердіпайдаланады.

Машиналық оқыту әдістері

Машиналық оқыту әдістері пайдалы қазбалардың геофизикалық, геохимиялық және спутниктік деректеріненегізделіп болжам жасайды.

1. K-Means кластерлеу – пайдалы қазбалардың ықтимал таралу аймақтарын анықтау үшін геологиялық деректерді кластерлерге бөлу. 2. Random Forest алгоритмі – пайдалы қазбалардың болу ықтималдығын болжау үшін көптеген шешім ағаштарын қолданатын әдіс. 3. Decision Tree (Шешім ағаштары) – кен орындарының орналасуы мен олардың құрамы туралы мәліметтер негізінде талдау жүргізу. 4. Нейрондық желілер (Neural Networks) – күрделі геологиялық құрылымдарды терең талдау үшін қолданылады.

Жасанды интеллект алгоритмдері

Жасанды интеллект пайдалы қазбаларды іздеуде үлкен деректерді өңдеу, картографиялық талдау және табиғи заңдылықтарды анықтауға көмектеседі.

1. Convolutional Neural Networks (CNN) – пайдалы қазбалар бар аймақтарды спутниктік суреттер арқылы талдау. 2. Long Short-Term Memory (LSTM) – уақыттық өзгерістерді зерттеу арқылы пайдалы қазбалар аймағындағы өзгерістерді болжау. 3. Deep Learning (Терең оқыту) – пайдалы қазбалардың таралу моделін жасау үшін үлкен деректерді өңдейді. 4. Support Vector Machines (SVM) – пайдалы қазбалардың таралу заңдылықтарын анықтау үшін геологиялық деректерді талдау және жіктеу.

Қашықтықтан зондтау және спутниктік талдау әдістері

1. Спутниктік бейнелер мен көпспектрлі түсірілімдер – Landsat 8, Sentinel-2 сияқты спутниктер пайдалы қазбалардың беткі көріністерін зерттейді. 2. Геохимиялық және геофизикалық деректерді біріктіру – AI жер бедері, топырақ құрамы және минералдық өзгерістер негізінде пайдалы қазбалар аймағын анықтайды.

Практикалық қолдану:

NASA Earth Observatory платформасы пайдалы қазбаларды болжау үшін геофизикалық спутниктік деректерді талдауда.

Геологиялық қызметтердің жасанды интеллект жүйелері пайдалы қазбалар туралы үлкен деректерді автоматтандырылған режимде өңдеуде.

Жасанды интеллекттің пайдалы қазбаларды анықтаудағы практикалық қолданылуы

Жасанды интеллекттің практикалық қолданылуы көптеген тау-кен компанияларында, зерттеу институттарында және үкіметтік бағдарламаларда байқалады.

Австралия, Канада және АҚШ – AI көмегімен алтын, мыс, никель кен орындарын анықтау жобалары іске асырылуда.

Қазақстандағы "ҚазМинералз", "Қазақмыс" компаниялары жасанды интеллект технологияларын пайдалы қазбаларды болжау мақсатында енгізуді қарастыруда.