Ученые ПНИПУ научили нейросети находить руду в два раза быстрее

• CNews FORUM 12 ноября
• CNews AWARDS 12 ноября
• Школа Роста
• Российский рынок облаков за 20 лет
• 30 лет рынку ERP в России
• Главные ИТ-сценарии 2026
• Цифровизация
• Импортозамещение
• Безопасность
• ИТ в госсекторе
• ИТ в банках
• ИТ в торговле
• Телеком
• Интернет
• ИТ-бизнес
• Рейтинги
• Инфографика

13 Октября 2026 12:54 13 Окт 2026 12:54 |

Поиск новых месторождений золота, меди, алюминия и других стратегических металлов обходится стране в сотни миллиардов рублей ежегодно. Однако до 90% этих денег уходит впустую: на каждое успешно открытое месторождение приходится около десятка скважин, пробуренных впустую. Стоимость одной такой ошибки превышает сотни миллионов рублей. Эти потери закладываются в себестоимость конечных продуктов, которые отражаются на каждом покупателе. Ученые Пермского Политеха предложили способ сократить эти издержки и ускорить поиск полезных ископаемых почти вдвое, что в перспективе может повлиять на стоимость ресурсов для страны. Об этом CNews сообщили представители ПНИП.

Статья опубликована в научном журнале «Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления».

Сегодня, чтобы найти новое месторождение, геологи исследуют огромные территории. Они собирают пробы грунта, изучают снимки со спутников, анализируют данные бурения. Вся информация наносится на специализированную карту, которая разбивается на тысячи участков. Для каждого участка специалисты определяют тип породы, геологические изменения и наличие признаков руды. Чем больше территория, тем больше объемов данных, требующих обработки, что вручную невозможно — это заняло бы годы. Поэтому геологи все чаще прибегают к использованию современных информационных технологий, в том числе искусственного интеллекта. Однако до сих пор существует серьезная проблема: нейросети не понимают геологических терминов, им нужны цифры. Имеющиеся методы перевода названий в числа либо перегружают компьютеры, либо не отвечают на главный вопрос о наличии и объемах руды на данном участке территории.

Ученые Пермского Политеха разработали математический алгоритм, который превращает профессиональные названия пород и описания участков в понятный для компьютера числовой код. По сути, это «переводчик» между геологами и нейросетями. При этом важные данные не теряются — компьютер видит не просто список геологических признаков, а понимает, какие из них действительно указывают на наличие руды. В результате нейросеть получает не избыточный массив цифр, а компактный и содержательный набор данных для анализа.

Разработка уникальна тем, что позволяет не просто констатировать наличие руды, а определять степень ее перспективности — высокую, среднюю или низкую. Такого подхода к обработке геологических данных нет ни в России, ни за рубежом. Эффективность метода подтверждена на реальных данных: точность составила 88 %, что соответствует уровню лучших мировых аналогов, при этом объем требуемой памяти сократился вдвое, а время обучения нейросети уменьшилось на треть.

Какие задачи бизнес отдает чат-ботам и где ИИ пока не доверяют цифровизация

«Рассмотрим на примере. Берём геологическую карту месторождения, разбитую на множество одинаковых ячеек, для каждой из которых известно, какая в ней порода, какие гидротермальные изменения, есть ли латеритная кора, а для уже изученных участков — ещё и класс перспективности: высокий, средний, низкий или неперспективный. Алгоритм берёт каждое отдельное описание — например, «гранитоиды» — и считает не только то, как часто оно встречается в ячейках определённого класса, но и то, как часто оно в них отсутствует. Из этих двух оценок получается контраст: если порода тяготеет к богатым участкам, он положительный, если к пустым — отрицательный, а если распределена равномерно — близок к нулю. Контрасты рассчитываются отдельно по каждому классу перспективности и проверяются на статистическую надёжность, после чего усредняются с учётом значимости. Так каждое название породы превращается в одно-единственное число. Благодаря этому таблица для нейросети не разрастается на десятки новых столбцов — вместо тринадцати признаков остаётся шесть, и сеть анализирует компактный, но осмысленный набор данных», — сказал Ассуму Херве Мэтью Нкрума, ведущий инженер кафедры «Информационные технологии и автоматизированные системы» ПНИПУ.

Разработка прошла проверку на реальных геологических данных золоторудного комплекса Агбау в Кот-д'Ивуаре. Программный код метода написан на Python — одном из самых популярных языков для научных вычислений.

Новый подход особенно ценен для слабоизученных территорий, где каждый лишний метр бурения и каждый день расчетов стоят огромных денег. Технология позволяет принимать решения быстрее, бурить меньше пустых скважин и точнее определять места залегания руды. Метод применим для любых геологических задач и может быть использован на всех этапах геологоразведки — от первичного анализа до построения детальных прогнозных карт.