Большинство крупных и легкодоступных месторождений уже разведаны. Простые методы — найти магнитную аномалию или выход руды на поверхность — работают всё хуже. Чтобы открыть новые месторождения, приходится изучать обширные, слабоизученные территории и учитывать десятки разнородных признаков: от геофизики и геохимии до старых отчётов. Объем информации становится запредельным — вручную такие массивы уже не проанализировать.
Когда данных слишком много, за дело берётся нейросеть. Как нейросети помогают искать руду, рассказывает геофизик Андрей Карамышев. Он показывает, как сделать так, чтобы ИИ работал на геолога, а не рисовал красивые, но бесполезные карты.
Почему ИИ справляется с тем, что не под силу человеку
Представьте, что вы — геофизик-интерпретатор. Перед вами — десятки карт: гравика, магнитка, геохимия, множество трансформант, рассчитываемых из исходных полей. Чтобы найти закономерности, вы по очереди включаете слои, стараетесь запомнить, что было на предыдущем, и сверяете — где пересекаются аномалии, где структуры повторяются. А если таких карт десять? А если — сто? Раньше так и работали: на экране — одно поле, в голове — синтез. Это называли «визуальным анализом» или даже «оптическим синтезом информации». Но с ростом объема данных этот подход перестает работать: мозг просто не справляется. И вот здесь появляется новый инструмент — нейросеть.
Чтобы выделить перспективные зоны, нейросети нужно «объяснить», что именно она должна искать. В геологии это не конкретное месторождение, а набор признаков, которые могут указывать на его наличие — разломы, интрузии, литологические комплексы. Все эти признаки выражаются в геофизических и геохимических данных: картах магнитного и гравитационного полей и структурных элементах.
Сверточные нейронные сети (CNN) — один из видов алгоритмов машинного обучения, особенно подходящий для анализа таких пространственных данных. Они работают с наборами слоев — как с картами, — и с помощью скользящих фильтров (ядер свертки) распознают закономерности: где находятся нужные объекты, как они связаны и как выглядят их контуры. В отличие от классических статистических методов, которые ищут связи между числами, CNN работают с «геометрией» — расположением, формой, взаимным положением признаков. Поэтому они хорошо подходят для задач геологоразведки, где важны пространственные взаимосвязи.
Как обучить нейросеть правильно
Лучше всего обучать модель на числовых данных — не на картинках на бумаге, а на цифровых изображениях, с которых алгоритм снимает данные и преобразовывает их в таблицы с координатами (x, y, z) в столбик и значениями признаков: плотности, магнитного поля, энтропии и т.д. Главное — не перегружать сеть: не нужно скармливать тысячу параметров. Достаточно 4–5 ключевых признаков, которые реально отражают геологические закономерности.
Чем чище входные данные и яснее постановка задачи — тем понятнее результат, и тем больше шансов, что модель поможет найти то, что геолог сам бы мог пропустить.
Почему ИИ — не «чёрный ящик»
Чтобы результат работы ИИ не выглядел для геолога как набор цветных пятен «ни о чём», модель нужно не просто обучить, но и проверить: видит ли она действительно важные признаки. Как объясняет Андрей Карамышев, вначале сеть обучается на известных объектах — и только после этого переносится на новые регионы.
Важно, чтобы объект поиска реально существовал в природе, а не только как абстракция в голове специалиста и некая область на карте. Месторождение – это не объект, а модель, во многом экономическая. Рудное тело – объект, но очень маленький, в полях практически не отражающийся, по крайней мере в нашем масштабе, поэтому приходится работать с косвенными признаками: интрузиями, разломами и другими параметрами
Андрей Карамышев
Такой перенос требует дообучения. Например, модель, обученная на данных из Колымы, Андрей адаптировал под Балтийский щит — геология там другая, но модель смогла распознать крупные разрывные нарушения, которых нет даже на официальных картах. Это стало возможно потому, что геолог точно знал, чему обучает модель, и понимал, как интерпретировать результат.
ИИ может ускорить интерпретацию и сузить область поиска — но только если эксперт формулирует задачу и проверяет результат. Это не волшебная кнопка, а инструмент, который работает в руках тех, кто знает, что делает.
15 минут вместо месяца: рутину берёт на себя нейросеть
Свою работу Андрей Карамышев начинает с уже готовых геофизических данных — чаще всего это аэросъемка последних лет или старая гравика, которую собирали ещё в советское время.
Фото: Михаил Перебатов
По итогам обработки нужно подготовить набор карт и объяснительную записку. Конкретные методы получения результатов не прописывается, главное их обосновать. Можно делать вручную, как раньше — глазами просматривать поля, выделять аномалии и рисовать контуры. Но это долго и не всегда эффективно.
«Я бы мог месяц сидеть и вручную обводить разрывные нарушения. Потому что понимаю, где что в полях отражается. Но с моделью результат получается за 15 минут. Конечно, его всё равно нужно оценить, проверить, есть ли в этом смысл. Но это уже совсем другой уровень скорости»,
— говорит Андрей.
Чтобы модель работала осмысленно, её нужно обучить — и не абстрактно, а под конкретную геологическую задачу. Андрей делает это сам, в связке с геологами. Сначала вместе определяют, какие признаки важны для данной территории: например, интрузивные массивы, разломы, определенные литологические свиты. Эти признаки собирают из отчётов, литературы и предыдущего опыта.
Затем — этап подготовки данных. На вход модели подаются только те параметры, которые действительно имеют смысл:
– вертикальный градиент гравитационного поля,
– энтропия (сложность структуры поля),
– локальные аномалии магнитки,
– параметр tilt, который показывает наклон поля,
и другие. Не нужно загружать сотни бессмысленных слоев — важны 4–5 показателей, которые действительно отражают геологическую обстановку.
Когда модель обучена, Андрей сравнивает её результаты с ручным прогнозом: совпадает ли? Есть ли смысл в выводах нейросети? Если всё работает — такую модель можно сохранить в банк и использовать повторно. Сейчас у него уже есть десятки таких моделей под разные типы месторождений и регионы — их легко подгрузить, адаптировать под новую задачу и запустить в работу. Как именно ИИ помогает в реальной работе геолога — покажем на кейсе Андрея Карамышева.
Поиск золота на Колыме с помощью нейросети
В Магаданской области требовалось выделить перспективные участки, где может быть золото. Фактически это были опытно-методические работы для отработки технологии и формирования банка обученных моделей. Для их обучения использовалась база геофизических и геологических данных по Аян-Юряхской и Иньяли-Дебинской зонам Центрально-Колымского золоторудного региона.
Как собрали данные и обучили модель
В качестве эталонов — то есть учебного примера с известным результатом, по которому проще верифицировать результаты — выбрали участки с гранитоидными интрузивными массивами Колымского пояса. По данным геологов, они контролируют локализацию золотого оруденения в регионе. Всего было три класса эталонов: интрузии, крупные разломы и рудовмещающие литологические комплексы (Атканская свита).
За геологическую основу взяли модель Омчакского рудного узла — это концептуальная схема, описывающая, как устроен узел: какие геологические структуры, породы и признаки указывают на присутствие золота. Априорная геолого-геофизическая модель помогает понять, какие именно признаки надо «показать» нейросети, чтобы она научилась распознавать перспективные зоны. ИИ «смотрит», как выглядят такие зоны по геофизике, геохимии и геологии, чтобы затем находить похожие участки в других регионах.
Всего обработали 15 листов масштаба 1:200 000 — это более 2,3 млн точек, описанных по 35 параметрам. Для каждого типа признака (разломы, литология, интрузии и др.) применили отдельную нейросеть архитектуры U-Net. Чтобы увеличить обучающую выборку, использовали аугментацию — искусственное расширение данных с помощью поворотов, отражений и наложения шумов. Это позволило в 10 раз увеличить объем данных для обучения.
Карта перспективных зон: где искать, а не бурить наугад
На выходе нейросеть сформировала сводные карты, показывающие, где на изученной территории сходятся признаки, характерные для зон возможного золотоносного оруденения. Эти участки не взяты «с потолка»: они выделены на основе анализа миллионов точек с реальных геофизических и геохимических съёмок, где модель распознала сходство с заданным геологическим образом — не только в отдельных параметрах, но в их сочетании.
Один из результатов — нейросеть «узнала» зону, совпадающую с Омчакским рудным узлом. Это подтвердило, что модель обучена корректно и действительно «видит» важные признаки. Но на этом работа не остановилась: были предложены и новые участки, ранее не отмеченные как перспективные, но визуально и структурно близкие к эталону. Геолог с опытом может оценить эти зоны уже не как случайную «аномалию», а как реальную гипотезу для проверки.
«Это не карта месторождений. Это карта зон, где стоит подумать и проверить ещё раз»,
— объясняет Андрей.
Такие карты — не финальный приговор и не автоматический совет «где бурить». Это инструмент для фокусировки внимания. Вместо того чтобы прорабатывать всю территорию подряд, можно сосредоточиться на тех участках, где вероятность успеха выше — с учётом данных и логики, заложенной в модель. В реальных проектах это экономит месяцы ручной работы и миллионы на разведочное бурение.
Почему нейросеть — это не навигатор для бурения
С виду может показаться, что всё просто: загрузил данные, получил карту — и сразу знаешь, где бурить. Но на практике всё гораздо сложнее. Чтобы ИИ действительно помогал в геологоразведке, нужно учитывать три ключевых ограничения:
📌 масштаб,
📌 формат данных,
📌 смысловая постановка задачи.
Разберем каждый из них на примерах.
Ограничение №1. Масштаб не масштабируется
Многие недропользователи надеются: если у нас есть старая региональная геофизика — пусть даже с профилями через 500 метров — можно просто загрузить её в нейросеть, и та подскажет, где бурить на поисковой стадии. Но так это не работает.
Если вы перешли от регионального прогноза к этапу бурения — масштаб исследования меняется. И данные масштаба 1:200 000 для задач масштаба 1:5 000 или даже 1:10 000 уже не подходят. Это как строить фундамент многоэтажки по эскизу с гугл-карты.
Андрей Карамышев объясняет: нейросеть действительно можно дообучить под другой масштаб — например, перейти от анализа участков площадью 164 км² к более мелким — размером 1×1 километр. Такие фрагменты называют тайлами — это квадратные «плитки» данных, на которых модель ищет признаки рудных объектов. Это стандартный подход: большой массив разбивается на тайлы, чтобы нейросеть могла фиксировать локальные закономерности. Но вот что важно: плотность данных внутри каждого тайла должна остаться сопоставимой с той, на которой сеть обучалась. Если в региональной съёмке профиль через километр, а на участке бурения нужны данные через 100–200 м — придётся делать новую съёмку: наземную, аэрогеофизическую или с дрона. Никакой ИИ не компенсирует нехватку данных.
«Главное, чтобы внутри каждого тайла было столько же точек, сколько в исходной выборке. Без этого модель работать не будет»,
— подчёркивает Андрей.
Цифры, а не бумажные картинки: в каком формате хранить данные
Даже если съёмка проведена, этого недостаточно — важно, в каком виде данные сохранены. Нейросеть не умеет работать с бумагой, ей нужны оцифрованные данные, желательно матрицы .grd. Главное, чтобы в ячейках хранились значения измеренного параметра, а не цветовые коды для визуализации.
Алгоритм может обработать только цифры. Если данные остались только в виде растров — ИИ практически бессилен. Вручную извлекать оттуда значения очень сложно: неясно, как проводилась интерполяция, какие искажения вносились, и что вообще отображает эта картинка.
Если вы заказываете геофизику или геохимию — требуйте первичные маршрутные данные, чтобы иметь возможность самостоятельно построить растры по известной вам методике. Это не прихоть, а необходимость. Без баз данных вы не сможете удостовериться, что интерполяция выполнена корректно.
ИИ всей страны: красиво, но бесполезно
Карты перспективности в масштабе 1:1 000 000 часто выглядят эффектно: пестрые пятна, большие зоны «высокой вероятности». Такие карты можно распечатать и повесить на стену — и, возможно, это всё, на что они годятся.
На практике эти карты не работают. Геолог с опытом посмотрит и скажет: «Ну да, здесь и так известно, что золото есть — мы уже три месторождения тут разрабатываем».
Андрей Карамышев приводит пример: в Австралии сгенерировали карту перспективности по всей стране. По ней выходило, что золото может быть где угодно — в том числе в местах, которые давно и хорошо изучены. Такие карты покрыты пятнами, но они не дают ответа, где именно бурить, и почему им нужно верить. Цветные пятна сложно оценить с точки зрения априорной геологической концепции.
Рудный узел — это не физический объект. Это концепция. У него нет собственного отражения в геофизических полях»,
— объясняет Андрей.
ИИ не может предсказать месторождение в лоб. Он может подсказать зону, где сходятся нужные признаки — но это всегда гипотеза, требующая проверки и новых данных в нужном масштабе.
Масштаб карты должен соответствовать задаче. Если вы планируете бурение — миллионная карта вам не помощник. Это иллюстрация, не инструмент.
Кто работает с ИИ в геологии — и почему это только начало
Пока в других отраслях ИИ внедряют повсеместно, в геологоразведке всё только начинается. Пока в России мало команд, которые системно внедряют ИИ в геологоразведку — и впечатляющих результатов, которые были бы на слуху, пока не видно. Хотя на отраслевых форумах всё чаще появляются кейсы — например, в «Полиметалле» применяют машинное обучение для выбора перспективных участков. Но общей экосистемы пока нет.
“Я сам начинал как раз так — просто пробовал в свободное время. А сейчас это уже встроено в рабочий процесс: я использую нейросети в проектах, где нужна комплексная интерпретация. Постепенно сформировал банк моделей, которые можно адаптировать под разные задачи — не игрушки, а реально применимые инструменты.
На конференциях встречаю коллег из Центра прогноза металлогенических исследований, из МГУ, еще из пары институтов. Кто-то работает с самоорганизующимися картами Кохонена, кто-то пробует сверточные сети. Но общей кооперации пока нет. Каждый в своём углу что-то делает. Именно поэтому эта тема сейчас такая интересная: рынок есть, запрос есть, инструментов — немного, специалистов — еще меньше. Здесь много чего можно сделать. Мы всё ещё в начале пути”.
Почему с ИИ нужно знать больше, а не меньше
ИИ не освобождает геолога от работы — он снимает рутину: автоматизирует анализ карт, находит закономерности, ускоряет первичную обработку. Но вся интерпретация, все решения и ответственность остаются за человеком.
Чтобы использовать ИИ осмысленно, специалисту нужно не просто уметь «нажимать кнопки». Он должен понимать геологические концепции, ориентироваться в структурной геологии, тектонике, минералогии, владеть языком металлогении и причинно-следственных связей. Без этого алгоритм может выдать красиво оформленный, но бессмысленный результат — а геолог даже не заметит подвоха.
ИИ — это не путь к упрощению профессии. Это учиться видеть глубже, мыслить структурно и системно. Если раньше можно было просто обвести аномалию на карте, то теперь нужно понять, что за ней стоит — и почему алгоритм посчитал её значимой.
Как и 50 лет назад, геология — это не про автоматизацию. Это про понимание, умение задать правильный вопрос и увидеть в массивах данных настоящую геологическую закономерность.
Быть в теме — значит понимать и пробовать
Время «угадывания» месторождений прошло. Залежи становятся глубже, данные — объемнее, ошибки — дороже. Сегодня ИИ — не опция, а усилитель геолога и страховка от многомиллионных потерь. Но технология работает только в руках тех, кто понимает, что делает.
ИИ не принимает решений — он помогает:
- быстро проверять гипотезы (например, переоценивать старые участки),
- визуализировать сложные данные (от 3D-моделей до карт аномалий),
- сосредоточиться на главном — интерпретации, а не рутине.
Главное — не ждать волшебной кнопки. ИИ — не палочка-выручалочка, а инструмент, который требует грамотной настройки и верификации. Он не заменит геолога — но сделает сильнее тех, кто готов учиться и мыслить глубже.
Готовый результат интерпретации за 15 минут вместо месяца — для кого-то это уже реальность. А для кого-то — ближайшее будущее. И как вы относитесь к использованию ИИ для поиска месторождений? Верите в потенциал или считаете хайпом?
Этот материал мы написали при поддержке Дмитрия Макарова. Вы тоже можете помочь нашему порталу и сделать небольшое пожертвование.
