Том 337 № 6 (2026)
DOI https://doi.org/10.18799/24131830/2026/6/5224
Анализ данных геофизических исследований скважин на основе машинного обучения в угольной добыче
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.
Для цитирования: Ву Хонг Зыонг, Нгуен Тиен Хунг, Нгуен Минь Хоа, Нгуен Тхе Винь, Нгуен Суан Зуи. Анализ данных геофизических исследований скважин на основе машинного обучения в угольной добыче. Известия Томского политехнического университета. Инжиниринг георесурсов, 2026, Т. 337, № 6, С. 44-55. https://doi.org/10.18799/24131830/2026/6/5224
Ключевые слова:
добыча угля, данные геофизических исследований скважин, машинное обучение, анализ данных, провинция Куангнинь
Библиографические ссылки:
REFERENCES
1. Gordon H.W. Jr., Kehn T.M., Carter M.D., Culbertson W.C. Coal resource classification system of the U.S. Geological Survey. U.S. Geological Survey, 1983, Circular 891, 65 p. DOI: https://doi.org/10.3133/cir891
2. Miller M.S., Moore M. Geophysical logging and exploration techniques in the Appalachian coal fields. SPE Annual Technical Conference and Exhibition. Dallas, Texas, September 1980. SPE-9466-MS.
3. Chatterjee R., Paul S. Application of cross-plotting techniques for delineation of coal and non-coal litho-units from well logs. Geomaterials, 2012, vol. 2 (4), pp. 94–104.
4. Hatherly P. Overview on the application of geophysics in coal mining. International Journal of Coal Geology, 2013, vol. 114, pp. 74–84.
5. Zhou B., Guo H. Applications of geophysical logs to coal mining – some illustrative examples. Resources, 2020, vol. 9 (2), Article 11.
6. Zhou B., O'Brien G. Improving coal quality estimation through multiple geophysical log analysis. International Journal of Coal Geology, 2016, vol. 167, pp. 75–92.
7. Zhang N., Liu C. Radiation characteristics of natural gamma-ray from coal and gangue for recognition in top coal caving. Scientific Reports, 2018, vol. 8, Article 190.
8. Jalil S., Rashid M. Analysis of natural radioactivity in coal and ashes from a coal fired power plant. Chemical Engineering Transactions, 2015, vol. 45, pp. 1549–1554.
9. Shao X., Sun Y., Sun J., Tang D., Xu H., Dong X., Lü Y. Log interpretation for coal petrologic parameters: A case study of Hancheng mining area, Central China. Petroleum Exploration and Development, 2013, vol. 40 (5), pp. 599–605.
10. Srinaiah J., Raju D., Udayalaxmi G., Ramadass G. Application of well logging techniques for identification of coal seams: a case study of Auranga Coalfield, Latehar District, Jharkhand State, India. Journal of Geology & Geophysics, 2018, vol. 7 (1), Article 322.
11. Ren P., Xu H., Tang D., Li Y., Sun C., Tao S., Li S., Xin F., Cao L. The identification of coal texture in different rank coal reservoirs by using geophysical logging data in northwest Guizhou, China: Investigation by principal component analysis. Fuel, 2018, vol. 230, pp. 258–265.
12. Mclean C. Pseudo proximate analysis: method using wireline logs to estimate components of coal bearing rock matrix without control data. Master’s thesis. Western Cape, 2015. 115 p.
13. Keskinsezer A. Determination of coal layers using geophysical well-logging methods for correlation of the Gelik-Zonguldak and Kazpınar-Amasra (Bartın) coalfields, Turkey. Geomechanics and Geophysics for Geo-Energy and Geo-Resources, 2019, vol. 5 (3), pp. 223–235.
14. Zhong R., Johnson Raymond L., Zhongwei C. Using machine learning methods to identify coal pay zones from drilling and Logging-While-Drilling (LWD) data. SPE Journal, 2020, vol. 25, pp. 1241–1258.
15. Yegireddi S., Bhaskar G. U. Identification of coal seam strata from geophysical logs of borehole using adaptive neuro-fuzzy inference system. Journal of Applied Geophysics, 2009, vol. 67 (1), pp. 9–13.
16. Maxwell K., Rajabi M., Esterle J. Spatial interpolation of coal properties using geographic quantile regression forest. International Journal of Coal Geology, 2021, vol. 248, Article 103861.
17. Guo J., Yang R., Han F. Coal seam roof and floor lithology prediction for underground coal gasification based on deep residual shrinkage network. Energy Science & Engineering, 2015, vol. 13 (4), pp. 1361–1374.
18. Wang Z., Cai Y., Liu D., Qiu F., Sun F., Zhou Y. Intelligent classification of coal structure using multinomial logistic regression, random forest and fully connected neural network with multisource geophysical logging data. International Journal of Coal Geology, 2023, vol. 268, Article 104208.
19. Shi J., Zeng L., Dong S., Wang J., Zhang Y. Identification of coal structures using geophysical logging data in Qinshui Basin, China: investigation by kernel Fisher discriminant analysis. International Journal of Coal Geology, 2020, vol. 217, Article 103314.
20. Kumar T., Seelam N. K., Rao G. S. Lithology prediction from well log data using machine learning techniques: a case study from Talcher coalfield, Eastern India. Journal of Applied Geophysics, 2022, vol. 199, Article 104605.
21. Maxwell K., Rajabi M., Esterle J. Automated classification of metamorphosed coal from geophysical log data using supervised machine learning techniques. International Journal of Coal Geology, 2019, vol. 214, Article 103284.
22. Shi Y., Liao J., Gan L., Tang R. Lithofacies prediction from well log data based on deep learning: A case study from Southern Sichuan, China. Applied Sciences, 2024, vol. 14 (18), Article 8195.
23. Ding T., Wu Y., Wang L., Nie Z., Zhang L. A case study comparing methods for coal thickness identification in complex geological conditions. Applied Sciences, 2024, vol. 14 (22), Article 10381.
24. Banerjee A., Mukherjee B., Sain K. Machine learning assisted model based petrographic classification: a case study from Bokaro coal field. Acta Geodaetica et Geophysica, 2024, vol. 59 (3), pp. 463–490.
25. Shimaoka A.M., Ferreira R.C., Goldman A. The Evolution of CRISP-DM for Data Science: Methods, Processes and Frameworks. SBC Computing Reviews, 2024, vol. 4 (1), pp. 28–43.
26. Dastjerdy B., Saeidi A., Heidarzadeh S. Review of applicable outlier detection methods to treat geomechanical data. Geotechnics, 2023, vol. 3 (2), pp. 375–396.
27. Petrelli M. Machine Learning for Earth Sciences: Using Python to Solve Geological Problems. Springer Nature, 2023. 209 p. DOI:10.1007/978-3-031-35114-3
28. Lipovetsky S. Explanatory model analysis: explore, explain and examine predictive models. Technometrics, 2022, vol. 64 (3), pp. 423–424. DOI: https://doi.org/10.1080/00401706.2022.2091871
29. Wallace K., Gourgues C., Bernet C., Atkinson A. D., Yotter T. Why most models fail: the importance of blind validation. Proceedings of the 7th Unconventional Resources Technology Conference. Denver, Colorado, USA, 2019. pp. 489–502. DOI: https://doi.org/10.15530/urtec-2019-396
