эссе. Conference Paper
 Скачать 453.71 Kb.
|
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/341193932 Предсказание состава рудных минералов по химическому составу руды с помощью искусственных нейронных сетей (на примере Ковдорского бадделеит -апатит-магнетитового месторождения, Мурм... · December 2019 DOI: 10.25018/0236-1493-2019-11-37-485-492 CITATIONS 0 READS 153 2 authors: Some of the authors of this publication are also working on these related projects: REE mineralization of the Murmansk Region View project New approach of geotargeting, based on theory of self-organization View project Andrey Kalashnikov Kola Science Centre 54 PUBLICATIONS 302 CITATIONS SEE PROFILE Gregory Yu. Ivanyuk Kola Science Centre 165 PUBLICATIONS 901 CITATIONS SEE PROFILE All content following this page was uploaded by Andrey Kalashnikov on 06 May 2020. The user has requested enhancement of the downloaded file. Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 485 УДК 553.4 Предсказание состава рудных минералов по химическому составу руды с помощью искусственных нейронных сетей (на примере Ковдорского бадделеит- апатит-магнетитового месторождения, Мурманская область) Калашников А.О.к.г.-м.н., с.н.с. Геологического института Кольского научного центра РАН, kalashnikov@geoksc.apatity.ru Иванюк Г.Ю., д.г.-м.н. Аннотация Впервые поставлена и решена задача предсказания химического состава рудных минералов по химическому составу пород на примере Ковдорского бадделеит-апатит- магнетитового месторождения. Использовалось два подхода для решения этой задачи: метод искусственных нейронных сетей (ИНС) и множественная регрессия. ИНС в большинстве случаев оказались предпочтительнее множественной регрессии. Хорошо были предсказаны содержания магния и марганца в магнетите, скандия и ниобия в бадделеите; удовлетворительно – содержания алюминия и ванадия в магнетите. Ключевые слова: Ковдор; апатит; магнетит; бадделеит; минералого- технологическое моделирование; фоскориты; карбонатиты. Введение Важной частью стратегической задачи – рационального использования природных ресурсов – является комплексное использование добываемых руд. Для полного использования минеральных ресурсов и точной настройки технологии обогащения, производства концентратов требуемого качества, кроме «грубых» параметров руды (таких как содержание рудных минералов и извлекаемых элементов) необходимо знать химический состав рудных минералов, их средний размер и взаимоотношения с нерудными минералами, наличие «загрязняющих» минералов. Непосредственное изучение этих свойств в объеме всего месторождения – процесс дорогой и длительный, даже в случае применения автоматизированного изучения минералогии с помощью сканирующей электронной микроскопии типа QEMSCAN. Поэтому используются косвенные методы, такие как рентгенофазовый анализ Ритвельда и пересчет химического состава пород в минеральный [1]. Однако и эти подходы не дают информации о химическом составе рудных и загрязняющих минералов, что может быть критическим параметром, например, в случае добычи сырья для производства удобрений Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 486 или из-за требований технологии металлургии и т.п. Инструментом для решения этой задачи может являться расчет (предсказание) химического состава минералов, исходя из химического состава пород, предложенный нами в работе [2]. Для пересчета химического состава пород в минеральный на Ковдорском месторождении ранее хорошо зарекомендовал себя метод искусственных нейронных сетей [3]. Подобный подход был продемонстрирован в начале 21 века в работах [4,5]. Главным недостатком этого подхода в то время была проблематичность построения сложных статистических (предсказательных) моделей, требующих больших вычислительных затрат, и слабой разработанностью доступных программ для таких вычислений. Ковдорское бадделеит-апатит-магнетитовое месторождение (Мурманская область) является в России одним из образцовых по степени комплексной переработки руд. Добываются три минерала, причем все они используются в разных отраслях промышленности; разрабатывается техногенное месторождение (хвостохранилище); постоянно изучаются возможности использования новых видов сырья (разведывается штаффелитовое месторождение и др.); попутно извлекаются нерудные ископаемые. При таком комплексном подходе и сложности ковдорских руд ценность информации о «тонких» свойствах минералов существенно возрастает. Поэтому мы решили применить подход, предложенный в работах [4,5] для предсказания свойств минералов Ковдорского месторождения. Описание Ковдорского месторождения Ковдорский фоскорит-карбонатитовый комплекс (юго-запад Мурманской области, рис. 1 ) вмещающий одноименное месторождение бадделеита, апатита и магнетита, сформировался около 400 млн. лет назад на заключительном этапе становления Ковдорского массива перидотитов, диопсидитов, фоидолитов– мелилитолитов. Комплекс представляет собой концентрически-зональную трубку 1,5х0,7 км в плане. Зональность трубки определяется постепенным переходом от (апатит)-форстеритовых фоскоритов (краевые части трубки) к существенно магнетитовым малокарбонатным фоскоритам и затем к существенно карбонатным фоскоритам и кальцитовым карбонатитам в осевой части трубки. Между осевой и промежуточной зонами развит штокверк жильных кальцитовых карбонатитов [6,7]. В настоящее время месторождение разрабатывается Ковдорским горно-обогатительным комбинатом (подразделением АО «Еврохим»). Среднее годовое производство Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 487 апатитового концентрата в 2014-2018 гг. 2,6 млн. т (37-38% P 2 O 5 ), магнетитового концентрата 5,6 млн. т (64% Fe tot ), и бадделеитового концентрата около 9 тыс. т (98,5% ZrO 2 +HfO 2 ). Кроме того, производится щебень, облицовочные плиты и химически очищенный порошок ZrO 2 +HfO 2 (≥99,3%). Несмотря на одну из самых высоких в России степень комплексности освоения руд, Ковдорское месторождение имеет дополнительный потенциал – возможно производство форстеритового концентрата (MgO 50%), фосфорно-магнезиальных удобрений (P 2 O 5 20%, MgO 15%), керамической плитки [8], а также скандия [9,10]. Рис. 1. Схема Ковдорского бадделеит-апатит-магнетитового месторождения, по [6]. Материалы и методы Был опробован керн 180 разведочных скважин в рамках доразведки глубоких горизонтов Ковдорского месторождения в 2008-2012 гг., проведенной АО «Ковдорский ГОК». Всего отобрано 550 проб для минералого-петрографических исследований на горизонтах -80, -110, -140, -170, -230, -290, -350, -410, -530 и -650 м и опробовано около 30 км керна для поинтервального химического анализа пород и руд. Электронно- микроскопическое исследование образцов проводилось на LEO-1450, оборудованном энергодисперсионным анализатором Röntek, и на MS-46 “Cameca” (ГИ КНЦ РАН). Химический анализ пород выполнялся методом мокрой химии в Кольском Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 488 геологическом информационно-лабораторном центре (Апатиты). Статистический анализ данных, включая метод искусственных нейронных сетей (ИНС), проводился с помощью STATISTICA 12 (StatSoft). Геостатистический анализ и построение 3D моделей выполнялся в программе Micromine 2016. Результаты Наиболее распространенный метод решения задач предсказания в матстатистике – это множественная регрессия. Поэтому мы начали с него. Оценка качества прогноза заключалась в нахождении коэффициента линейной корреляции предсказанных и фактически измеренных результатов (таблица 1). Как видно, предсказание с помощью множественной регрессии показало не очень высокие результаты, поэтому мы решили применить более сложный метод прогноза – метод искусственных нейронных сетей. Использовался тип сети многослойный перцептрон, алгоритм обучения Broyden- Fletcher-Goldfarb-Shanno, функция ошибки – сумма квадратов. Обучение проводилось по случайной выборке, составляющей 70% от исходной; тестовая и валидационная случайные выборки составили по 15% от исходной. Для каждой переменной обучались минимум 20 нейронных сетей с различными числом скрытых нейронов, функциями активации скрытых и выходных нейронов; в итоге выбиралась сеть, лучшая по корреляции предсказанных значений с реальными. Таблица 1. Качество предсказания состава рудных минералов по химическому составу пород методами множественной регрессии и искусственных нейронных сетей. Коэффициент корреляции R реальных и предсказанных значений: Параметры наилучшей нейронной сети (многослойного перцептрона) Минерал Переменная множественной регрессией нейронной сетью Кол-во скрытых нейронов Функция активация скрытых нейронов Функция активации выходного нейрона Магнетит MgO 0,60 0,71 8 Тангенциальная Тождественная MnO 0,56 0,91 8 Тангенциальная Экспоненциальная Al 2 O 3 0,60 0,60 19 Тождественная Тождественная V 2 O 3 0,61 0,62 7 Тангенциальная Экспоненциальная Апатит SrO н/д 0,42 7 Логистическая Экспоненциальная Бадделеит Sc 2 O 3 0,74 0,82 30 Тангенциальная Логистическая HfO 2 н/д 0,38 26 Логистическая Тангенциальная Nb 2 O 5 0,73 0,82 15 Логистическая Экспоненциальная Уровень значимости p корреляции во всех случаях <0,02 н/д –недостоверная корреляция (уровень значимости p >>0,02) Наилучшая сеть использовалась для вычисления соответствующих параметров в объеме месторождения, для каждого из 250 тыс. блоков блочной модели. В итоге мы Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 489 получили блочные модели распределения предсказанных параметров рудных минералов в объеме месторождения. Обсуждение и выводы Задача предсказания химического состава рудных минералов по химическому составу пород оказалась решаемой для Ковдорского месторождения, поскольку эта рудно-магматическая система внутренне скоррелирована [11], что, по-видимому, является характерной особенностью (фоскорит)-карбонатитовых комплексов. Есть предпосылки, что такая задача решаема и для других типов магматогенных [12,13], а также осадочных месторождений [5], однако это требует дополнительных исследований. Как показало наше исследование, при решении подобных задач метод искусственных нейронных сетей заметно превосходит метод множественной регрессии – коэффициент корреляции между предсказанными и фактическими значениями в среднем больше на 0,11 (см. Таблицу 1). В некоторых случаях (предсказание содержания SrO в апатите, HfO 2 в бадделеите) множественная регрессия вообще не дала значимой корреляции, при этом ИНС дала значимую (p < 0,0005), хоть и слабую корреляцию (R = 0,42 и R = 0,38, соответственно). В двух случаях из изученных (содержание Al 2 O 3 и V 2 O 3 ) оба метода дали практически одинаковый результат. Некоторые компоненты рудных минералов не удалось уверенно предсказать с достаточной точностью с помощью применяемых методов. Прежде всего это касается микропримесей: SrO в апатите, HfO 2 в бадделеите и т.д. Возможно, это связано с тем, что содержания этих компонентов близки к порогу обнаружения микрозондовым методом. Значения ниже этого порога приравнивались к нулю и таким образом могли некорректно влиять на структуру вариации данного компонента. Недостатком нейронных сетей является то, что этот способ предсказания более сложен в реализации, требует перебора сетей с различным типом архитектуры, разными функциями активации, разным числом скрытых нейронов и т.п. Кроме того, корреляционная структура данных, полученная с помощью ИНС, сложнее для геологической интерпретации (если вдруг таковая потребуется), чем в случае множественной регрессии. Дальнейшее направление исследования состоит в применении нейронных сетей с другими архитектурами и алгоритмами обучения; в приложении данного подхода к месторождениям других типов. Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 490 Выводы: 1. Впервые поставлена и решена задача предсказания химического состава рудных минералов по химическому составу пород. 2. Для решения этой задачи метод искусственных нейронных сетей в большинстве случаев оказался предпочтительнее множественной регрессии. 3. Задача удовлетворительно решается для (фоскорит)-карбонатитовых комплексов и, по-видимому, для других магматогенных месторождений, однако подтверждение этого требует дальнейших исследований. Работа выполнена в рамках НИР 0226-2019-0051 и при поддержке Российского научного фонда (грант 16-17-10173). Опробование и аналитика были выполнены в рамках доразведки глубоких горизонтов Ковдорского месторождения в 2008-2012 гг. АО «Ковдорский ГОК». Литература 1. Parian M., Lamberg P., Möckel R., Rosenkranz J. Analysis of mineral grades for geometallurgy: Combined element-to-mineral conversion and quantitative X-ray diffraction // Minerals Engineering. 2015. Vol. 82. P. 25–35. 2. Ivanyuk G.Y., Kalashnikov A.O., Pakhomovsky Y.A., Mikhailova J.A., Yakovenchuk V.N., Konopleva N.G., Sokharev V.A., Bazai A.V., Goryainov P.M. Economic minerals of the Kovdor baddeleyite-apatite-magnetite deposit, Russia: mineralogy, spatial distribution and ore processing optimization // Ore Geology Reviews. 2016. Vol. 77. P. 279–311. 3. Kalashnikov A.O., Ivanyuk G.Y., Mikhailova J.A., Sokharev V.A. Approach of automatic 3D geological mapping: the case of the Kovdor phoscorite-carbonatite complex, NW Russia // Scientific Reports. 2017. Vol. 7. P. 6893. 4. Matsuda S., Koike K. Sensitivity Analysis of a Feedforward Neural Network for Considering Genetic Mechanisms of Kuroko Deposits // Natural Resources Research. 2003. Vol. 12, № 4. P. 291–301. 5. Koike K., Matsuda S. Characterizing Content Distributions of Impurities in a Limestone Mine Using a Feedforward Neural Network // Natural Resources Research. 2003. Vol. 12, № 3. P. 209–222. 6. Mikhailova J.A., Kalashnikov A.O., Sokharev V.A., Pakhomovsky Y.A., Konopleva N.G., Yakovenchuk V.N., Bazai A. V., Goryainov P.M., Ivanyuk G.Y. 3D Горный информационно-аналитический бюллетень (ГИАБ), 2019. № 11 (С37). С. 485–492. DOI: 10.25018/0236-1493-2019-11-37-485-492 491 mineralogical mapping of the Kovdor phoscorite–carbonatite complex (Russia) // Mineralium Deposita. 2016. Vol. 51, № 1. P. 131–149. 7. Ivanyuk G.Y., Yakovenchuk V.N., Pakhomovsky Y.A. Kovdor. Apatity: Laplandia Minerals, 2002. 322 p. 8. Мелик-Гайказов И.В., Кампель Ф.Б., Берлович В.В., Ивакин А.П., Бичук Н.И. Концепция долгосрочного развития Ковдоркого ГОКа: 40+40 // Горный журнал. 2002. Спецвыпуск. С. 6–12. 9. Liferovich R.P., Subbotin V. V., Pakhomovsky Y.A., Lyalina M.F. A new type of scandium mineralization in phoscorites and carbonatites of the Kovdor Massif, Russia // Canadian Mineralogist. 1998. Vol. 36, № 4. P. 971–980. 10. Kalashnikov A.O., Yakovenchuk V.N., Pakhomovsky Y.A., Bazai A.V., Sokharev V.A., Konopleva N.G., Mikhailova J.A., Goryainov P.M., Ivanyuk G.Y. Scandium of the Kovdor baddeleyite–apatite–magnetite deposit (Murmansk Region, Russia): Mineralogy, spatial distribution, and potential resource // Ore Geology Reviews. 2016. Vol. 72. P. 532–537. 11. Mikhailova J., Ivanyuk G., Kalashnikov A., Pakhomovsky Y., Bazai A., Panikorovskii T., Yakovenchuk V., Konopleva N., Goryainov P. Three-D Mineralogical Mapping of the Kovdor Phoscorite–Carbonatite Complex, NW Russia: I. Forsterite // Minerals. 2018. Vol. 8, № 6. P. 260. 12. Kern M., Kästner J., Tolosana-Delgado R., Jeske T., Gutzmer J. The inherent link between ore formation and geometallurgy as documented by complex tin mineralization at the Hämmerlein deposit ( Erzgebirge , Germany ) // Mineralium Deposita. Mineralium Deposita, 2018. Vol. 54, № 5. P. 683–698. 13. Koike K., Matsuda S. New Indices for Characterizing Spatial Models of Ore Deposits by the Use of a Sensitivity Vector and an Influence Factor // Mathematical Geology. 2007. Vol. 38, № 5. P. 541–564. View publication stats |