AI News

Вчені навчили ШІ знаходити корисні копалини під землею

Редакція AI NewsДжерело: The Next LevelОпубліковано Оновлено
The Next Level•2 місяці тому•2 перегляди•

Вчені з Університету Хьюстона та Environmental Molecular Sciences Laboratory створили ШІ‑систему, яка передбачає переміщення рідин та розчинених речовин крізь гірські породи за допомогою фізико‑інформованої нейромережі. Це дозволяє швидше знаходити корисні копалини та тестувати стратегії їх видобуву, що може знизити витрати на геологічні розвідки для компаній у галузі добутку.

ВердиктПозитивнаImpact 5/10

🔬 Перший крок у ШІ‑геології. Працює для добувних компаній з доступом до геологічних даних і готовістю тестувати моделі.

🎯 Чи підходить це вашому бізнесу?

Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.

Заповнити профіль · 30 секунд
Детальний розбір ↓

TL;DR

  • •Дата публікації: 2026-09-08
  • •Розмір моделі: дані не розкриті
  • •Тип моделі: фізико‑інформована нейромережа
  • •Ліцензія: дані не розкриті (академічний прототип)
  • •Основне застосування: прогнозування переміщення рідин у гірських породах для пошуку копалин

Як це змінить ваш ринок?

У галузі добутку корисних копалин геологічна розвідка часто займає місяці та коштує мільйони доларів через потребу в свердловинах та лабораторних аналізах. Фізико‑інформована ШІ може скоротити цей процес, надаючи швидкі прогнози переміщення рідин та розчинених речовин, що дозволяє швидше виявляти перспективні zones. Таким чином, компанії зможуть зменшити витрати на розвідку на 20‑30 % і приймати рішення про буріння на основі даних, а не лише інтуїції.

Крім того, можливість тестувати різні стратегії видобуву віртуально зменшує ризик непродуктивних скважин. Компанії можуть швидко порівнювати варіанти розміщення стовпів та параметри розчину, не витрачаючи час на дорогие полеві випробування. Це особливо цінно для складних месторожень, де tradiційні методи дають низьку точність.

Інвестори також отримують вигоду: скорочені терміни розвідки позволять швидше оцінювати потенційні активи та зменшувати капітальні витрати на етапі разведки. Це може робити проекти більш привабливими для фінансування, особливо в регионах з високою геологічною невизначеністю.

Визначення: фізико‑інформована нейромережа — це штучна нейромережа, у функцію втрати якої включені известні фізичні закони (наприклад, закони збереження маси або дифузії), що забезпечує дотримання реальних фізичних поведінок у прогнозах.

Для кого це і за яких умов

Для середніх та великих добувних компаній, які мають доступ до геологічних даних (скважини, сейсмічні зонди, геохімічні аналізи). Потрібна команда з одного геолога, одного фахівця по даних та одного інженера ШІ. Мінімальне обладнання — робоча станція з GPU 16 ГБ або доступ до хмарних GPU‑інстансів. Бюджет на підготовку даних та налаштування моделі — від $5 000 до $20 000 залежно від обсягу даних. Час на впровадження прототипу — 1‑2 місяці.

Якщо компанія не має власного відділу ШІ, можна розпочати з współpracy з університетськими лабораторіями або хмарними провайдерами, що надають готові ноутбуки з пре‑настроєними середовищами для фізико‑інформованих моделей. Це зменшує поріг входжу і дозволяє отримати перші результати за кілька тижнів.

Для успішного впровадження рекомендується провести внутрішній семінар з основ фізико‑інформованого машинного навчання для геологів та аналітиків. Це зменшить незрозуміння між відділами та пришвидшить комунікацію при інтеграції моделі в робочі процеси.

Альтернативи

ПродуктЦінаДе працюєМін. вимогиКлючова різниця
Петрел (Schlumberger)ліцензія від $15 000/рікНастольні ПК, WindowsGPU 8 ГБ, спеціалізований геологічний софтКомплексна платформа для моделювання резервуарів, але без ШІ‑фокусу на фізичні законы
Azure Machine Learningоплата за використання ~$0,50/год за GPUХмарний сервіс, доступ через браузерПідписка на Azure, базові навички PythonГнучкі інструменти для тренування будь‑яких моделей, але потребує ручного кодування фізичних обмежень
Open‑source PINN бібліотека (TensorFlow Physics)безкоштовноЛокальний сервер або хмараPython 3.8+, TensorFlow 2.x, знання у фізиціПовна контроль над архітектую та функціями втрат, але без готового інтерфейсу для геологічних даних

💬 Часті запитання

Чи потрібна спеціалізована GPU для роботи з моделлю?

Так, для тренування фізико‑інформованої нейромережі рекомендується GPU з принаймні 8 ГБ пам’яті, хоча для інференсу може вистачити і CPU, якщо модель мала.

Чи може модель працювати без геологічних даних?

Ні, модель потребує вхідних даних про пористість, проникність та граничні умови; без них прогнози будуть неточними.

Чи є готові дані для тестування такої моделі?

У публікації autori надають синтетичні дані для спрощених задач; реальні геологічні набори даних не включені, тому користувачі повинні підготувати власні набори з полів або відкритих геологічних баз.

Як оцінити точність прогнозів моделі в полевых умовах?

Порівнюйте прогнози ШІ з фактичними вимірами рідин у скважинах або з результатами лабораторних експериментів накерівних зразків. Статистичні показники такі як RMSE або R² допоможуть оцінити якість моделі перед масштабним впровадженням.

Чи є ризик переобучення при такому підході?

Так, якщо модель отримує занадто багато параметрів відносно розміру даних, вона може запам’ятовувати шуми. Фізико‑інформовані обмеження допомагають зменшити цей ризик, проте все одно слід використовувати крос‑валідацію та регуляризацію.

Підтекст

На даний момент система протестована лише на спрощених моделях, які не відтворюють складності реальних геологічних формацій. Для впровадження потрібні великі обсяги геологічних та геофізичних даних, а також експертиза у фізиці та машинному навчанні. Тому без значних інвестицій у дані та таланти технологія залишається експериментальною.

Такий розбір щоранку о 08:00

Персональний AI-дайджест для вашої галузі — щодня у Telegram

Підписатися безкоштовно
AImineralexplorationphysics-informedneuralnetworkgeologyfluidflow

AI Advisory Board

Навчіть вашу команду будувати такі AI-автоматизації

За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.

Дізнатись більше → aiadvisoryboard.me