Machine learning-based analysis of borehole geophysical logs in coal mining

Abstract

Актуальность. Уголь остается важнейшим источником ископаемого топлива во всем мире, внося значительный вклад в экономическое и промышленное развитие. Эффективная добыча угля в значительной степени зависит от точной идентификации и оценки угольных месторождений, где геофизические методы, в частности каротаж скважин, играют ключевую роль. Цель: повысить точность и эффективность определения глубины и толщины угольного пласта путем применения передовых методов машинного обучения к геофизическим данным каротажа скважин. Этот подход направлен на оптимизацию разведки угля путем автоматизации анализа данных, снижения человеческих ошибок и повышения точности оценок недр, критически важных для эффективной добычи ресурсов. Объекты: данные геофизических исследований скважин, собранные из нескольких скважин на угольной шахте в провинции Куангнинь, Вьетнам. Этот регион, являющийся центром добычи угля, предоставляет богатый набор данных для тестирования и уточнения моделей машинного обучения, адаптированных к реальным условиям добычи. Методы. Для обработки и анализа данных каротажа скважин использовались различные алгоритмы машинного обучения, включая методы регрессии и классификации. Эти модели были обучены и проверены с использованием маркированных наборов данных, полученных из измерений скважин, что позволяет делать точные прогнозы глубины и толщины угольного пласта с повышенной точностью и надежностью. Результаты. Модели машинного обучения достигли впечатляющей точности прогнозирования до 89 % по сравнению с фактическими данными образцов. Эти результаты демонстрируют преобразующий потенциал интеграции искусственного интеллекта в геофизический анализ. Предлагая повышенную надежность, эффективность времени и точность в характеристике угольного пласта, этот подход поддерживает более устойчивые и экономически эффективные методы добычи угля, прокладывая путь для более широкого внедрения в горнодобывающей промышленности

Relevance. Coal remains a crucial fossil fuel source globally, significantly contributing to economic and industrial development. Efficient coal extraction relies heavily on accurate identification and evaluation of coal deposits, where geophysical methods, particularly well-logging, play a pivotal role. Aim. To enhance the accuracy and efficiency of тdetermining coal seam depth and thickness by applying advanced machine learning techniques to well-logging geophysical data. This approach seeks to optimize coal exploration by automating data analysis, reducing human error, and improving the precision of subsurface assessments critical for efficient resource extraction. Objects. Well-logging geophysical data collected from multiple boreholes in a coal mine in Quang Ninh province, Vietnam. This region, a hub for coal production, provides a rich dataset for testing and refining machine learning models tailored to real-world mining conditions. Methods. A variety of machine learning algorithms, including regression and classification techniques, were utilized to process and analyze the well-logging data. These models were trained and validated using labeled datasets derived from borehole measurements, enabling accurate predictions of coal seam depth and thickness with enhanced precision and reliability. Results. The machine learning models achieved an impressive predictive accuracy of up to 89% when compared to actual sample data. These findings demonstrate the transformative potential of integrating artificial intelligence into geophysical analysis. By offering improved reliability, time efficiency, and accuracy in coal seam characterization, this approach supports more sustainable and cost-effective coal extraction practices, paving the way for broader adoption in the mining industry