Традиционные подходы к оконтуриванию угольных залежей опираются на дескриптивные методы интерпретации каротажных кривых и процедуру экспертной корреляции разрезов. Подобная парадигма сталкивается с объективными ограничениями при переходе к изучению глубокозалегающих горизонтов со сложной тектонической структурой, где литофизические границы размыты, а акустический контраст между угольным веществом и аргиллитами перестает быть инвариантным. Машинное обучение предлагает инструментарий, способный эксплицировать скрытые зависимости из многомерного шума геофизических наблюдений, минуя необходимость построения жестких петрофизических уравнений.
Фактографическая основа работы сформирована по результатам обработки цифровых массивов геофизических исследований (ГИС) тридцати двух разведочных скважин. В состав вектора признаков вошли стандартный комплекс методов электрического (КС, ПС), радиоактивного (ГК, ГГК-п) и акустического (АК) каротажа. Дополнительно привлечены сейсмические кубы амплитуд и мгновенных частот в окрестности стволов. Целевая переменная бинаризирована: класс «1» соответствует чистому углю, класс «0» – литотипам пустых пород. Особое внимание уделено проблеме выраженного дисбаланса классов, характерного для осадочных разрезов, где доля угольных интервалов редко превышает 10–15% общей мощности.
Предобработка включала процедуру фильтрации выбросов методом изолированного леса и нормализацию к диапазону межквартильного размаха, устойчивую к экстремальным значениям. Для подавления высокочастотной стохастической компоненты применен вейвлет-пороговый алгоритм с мягкой функцией штрафа, что позволило сохранить резкие границы пластов, критичные для последующей интерпретации.
Архитектуры моделей и стратегия валидации
Сравнительному анализу подвергнуты два семейства алгоритмов. Первое представлено градиентным бустингом в реализации CatBoost, изначально спроектированным для эффективной обработки категориальных признаков и гетерогенных данных, свойственных геологическим коллекциям. Второе – сверточной нейронной сетью (CNN) архитектуры U-Time, адаптированной под сегментацию временных рядов. Сеть оперирует окнами фиксированной глубины, сканируя каротажную кривую как одномерное изображение, что дает возможность улавливать морфологию сигнала, а не только абсолютные значения амплитуд. Обучение нейросети проводилось с использованием функции потерь Tversky Loss, чувствительной к ошибкам на миноритарном классе, что позволило избежать смещения модели в сторону предсказания доминирующей пустой породы.
Стратегия проверки исключала случайное перемешивание выборки. Применена блокирующая кросс-валидация с группировкой по скважинам: модель обучалась на данных одних поисково-разведочных линий, а тестировалась на полностью исключенных из обучения стволах. Такая схема имитирует реальный сценарий прогноза на неразбуренных участках и предотвращает утечку информации, обусловленную пространственной автокорреляцией.
Экспериментальные вычисления зафиксировали превосходство сверточной сети в задаче детекции тонких (менее 1,2 м) угольных пропластков. Величина F1-меры для класса «уголь» при использовании CatBoost составила 0.81, тогда как U-Time продемонстрировала значение 0.89. Повышение метрики обусловлено способностью CNN автоматически выделять иерархические признаки формы сигнала: характерную изрезанность кривой гамма-каротажа и специфический паттерн «боковых лепестков» на кривых кажущегося сопротивления вблизи контактов.
Вместе с тем ансамблевый метод оказался более робастным в зонах кавернозных расширений ствола скважины, где первичный сигнал искажен техногенными помехами. В подобных интервалах деревья решений, опирающиеся на жесткие статистические разбиения, меньше подвержены переобучению к аномальным всплескам, нежели нейросеть с высокой дисперсией параметров. На этом основании предложена двухуровневая композиция: результаты классификации CNN корректируются метамоделью на базе градиентного бустинга, обученной на остатках предсказаний первого этапа. Итоговая конструкция позволила редуцировать количество ложноположительных срабатываний на 22%.
Визуализация латентного пространства последнего скрытого слоя нейросети методом t-SNE показала кластеризацию, соответствующую не только чистым литотипам, но и переходным разностям (углистые аргиллиты). Подобная стратификация свидетельствует о том, что модель улавливает геохимическую зональность, не заложенную в обучающую разметку эксплицитно.
Обсуждение и геологическая интерпретация
Практическая значимость разработанного подхода раскрывается при трехмерном моделировании. Используя предсказанные синтетические кривые в виртуальных стволах, расположенных в узлах плотной сетки, удалось построить куб вероятности угленосности. Сопоставление с эталонной структурной картой, построенной по фактическим данным бурения, показало, что нейросетевая интерполяция детальнее воспроизводит участки расщепления пластов и зоны выклинивания. Там, где классический стохастический кригинг давал сглаженное «размазывание» залежи, глубокая сеть фиксировала резкие латеральные границы.
С позиций экономической геологии такой инструментарий не заменяет буровые работы, но оптимизирует их сеть. Переход от равномерной сетки к заложению скважин в точках максимальной энтропии (неопределенности) прогноза нейросети позволяет сократить объем дорогостоящего колонкового бурения без потери достоверности оконтуривания.
Исследование подтверждает, что цифровая трансформация угольной геологии лежит не в плоскости простой автоматизации рутинных операций, а в переходе к предиктивному анализу гетерогенной среды. Модели глубокого обучения, обученные на прецедентах, демонстрируют способность декодировать генетические особенности осадконакопления из волновой картины. Дальнейшее развитие направления видится в интеграции в архитектуру сетей физических уравнений распространения сейсмических волн (physics-informed neural networks), что позволит накладывать ограничения на пространство решений, делая прогноз термодинамически непротиворечивым.
