Применение алгоритмов машинного обучения для прогнозирования золоторудной минерализации Верхнеамгинского щелочного массива, Алдано-Становой щит

Приводятся результаты применения методов машинного обучения для прогнозирования золоторудной минерализации на поисковой стадии геологоразведочных работ на примере Верхнеамгинского щелочного массива Алдано-Станового щита. Использованы данные анализа 403 штуфных проб методом ICP-AES на 25 химических элементов. Протестированы восемь алгоритмов классификации: Random Forest, Support Vector Machine, Neural Network (Multilayer Perceptron), Boosting (AdaBoost), Decision Tree, K-Nearest Neighbors, Linear Discriminant Analysis и Naive Bayes. Наивысшую точность (до 89,6 %) продемонстрировали Random Forest и Support Vector Machine, основанные на выявлении взаимосвязей между рудными элементами (Au, Ag, As, Cu, Sb) и элементами с отрицательной корреляцией (Mg, Ca, Ti). Результаты подтверждены ROC-анализом. При создании модели машинного обучения в качестве целевой переменной приняты значения «рудного» фактора для каждой пробы, использованные в качестве предиктора. С помощью построения аномальных полей значений «рудного» фактора проведено сравнение параметров известных объектов и прогнозируемых площадей. Методы машинного обучения позволяют оперативно и надежно интерпретировать аналитические данные, полученные с использованием спектрометрии или портативных XRF-анализаторов. Для повышения точности прогноза подчеркивается важность комбинации традиционных статистических методов (кластерный, факторный анализ) с современными алгоритмами машинного обучения.

1. Lindi O.T., Aladejare A.E., Ozoji T.M., et al. Uncertainty quantification in mineral resource estimation. Natural Resources Research. 2024;33:2503–2526. https://doi.org/10.1007/s11053-024-10394-6

2. Daya Sagar B.S., Cheng Q., Agterberg F. Handbook of Geosciences. Springer Cham; 2018. 366 p. https://doi.org/10.1007/978-3-319-78999-6

3. Mahboob M.A., Celik T., Genc B. Review of machine learning-based mineral resource estimation. The Journal of the Southern African Institute of Mining and Metallurgy. 2022;122(11):665-664. https://dx.doi.org/10.17159/2411-9717/1250/2022

4. Kanevski M., Foresti L., Kaiser C.,et al. Machine learning models for geospatial data. Handbook of theoretical and quantitative geography. Lausanne: University of Lausanne; 2009, pp. 175–227.

5. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. Amsterdam: Elsevier; 2011. 432 p.

6. Akpan U.I., Starkey A. Review of classification algorithms with changing inter-class distances. Machine Learning with Applications. 2021;4:100031. https://doi.org/10.1016/j.mlwa.2021.100031

7. Прокопьев И.Р., Дорошкевич А.Г., Редина А.А. и др. Петрография щелочных пород, минералогия и условия образования рудной минерализации Верхнеамгинского золоторудного района (Алданский щит, Южная Якутия). В кн.: Эрнст Р.Э. (ред.) Петрология магматических и метаморфических комплексов: материалы IX Всероссийской конференции с международным участием. Выпуск 9, г. Томск, 28 ноября – 2 декабря 2017 года. Томск: Изд-во ЦНТИ; 2017. С. 360–366.

8. Анисимова Г.С., Кондратьева Л.А., Соколов Е.П. и др. Золотое оруденение лебединского и куранахского типов в Верхнеамгинском районе (Южная Якутия). Отечественная геология. 2018;(5):3–13. https://doi.org/10.24411/0869-7175-2018-10010

9. Wang Q. Reservoir permeability prediction based on machine learning. International Journal of Natural Resources and Environmental Studies. 2024;3(1):129-138. https://doi.org/10.62051/ijnres.v3n1.17

10. Смелов А.П., Зедгенизов А.Н., Тимофеев В.Ф. Фундамент Северо-Азиатского кратона. Алдано-Становой щит. В кн.: Тектоника, геодинамика и металлогения Республики Саха (Якутия). М.: МАИК «Наука/Интерпериодика»; 2001. С. 81–100.

11. Парфенов Л.М., Кузьмин М.И. Тектоника, геодинамика и металлогения территории Республики Саха (Якутия). М.: МАИК «Наука/Интерпериодика»; 2001. 571 с.

12. Соколов Е.П. Рудное золото Верхнеамгинского золотоносного района. В кн.: Биллер А.Я. (ред.) Геология и минерально-сырьевые ресурсы Северо-Востока России: материалы всероссийской научно-практической конференции, г. Якутск, 31 марта – 2 апреля 2015 г. Якутск: Издательский дом СВФУ; 2015. С. 458–462.

13. Жумадилова Д.В., Прокопьев И.Р., Дорошкевич А.Г. и др. Золотоносность Верхнеамгинского рудного района (Алданский щит, Якутия). В кн. Научно-методические основы прогноза, поисков, оценки месторождений алмазов, благородных и цветных металлов. М.: ФГБУ «ЦНИГРИ»; 2019. С. 25–28.

14. Пономарчук А.В., Прокопьев И.Р., Дорошкевич А.Г., и др. 40 Ar / 39 Ar возраст щелочных пород Верхнеамгинского массива (Алданский шит, Южная Якутия). Известия Томского политехнического университета. Инжиниринг ресурсов. 2019;330(3):28–39.

15. Никифорова З.С., Каженкина А.Г. Типоморфизм россыпного золота Хатырхайского рудно-россыпного узла (Верхнеамгинская площадь). Природные ресурсы Арктики и Субарктики. 2018;23(2):39–48. https://doi.org/10.31242/2618-9712-2018-24-2-39-48

16. Шатова Н.В., Шатов В.В., Молчанов А.В. и др. Геохимия и петрография гидротермально измененных пород Рябинового рудного поля (Южная Якутия) как основа прогноза золото-медно-порфирового оруденения. Региональная геология и металлогения. 2020;(84):71–96.

17. Дворник Г.П. Поисковые критерии и признаки золотого оруденения в калиевых щелочных массивах (на примере месторождений и рудопроявлений Алданского щита). Литосфера. 2017;17(6):118–135. https://doi.org/10.24930/1681-9004-2017-6-118-135.

18. Barnes H.L. Geochemistry of Hydrothermal Ore Deposits. New York: Wily & Sons. 1979. 798 p.

19. Dwarampudi T.M., Alugolu A. Review of machine learning classification algorithms. International Journal of Progressive Research in Engineering Management and Science (IJPREMS). 2024;4(11):1104–1106 https://www.doi.org/10.58257/IJPREMS36877