Prediction of depth to hard rock in the Bilibinsky and Chaunsky districts of the Chukotka Autonomous Region
Prediction of depth to hard rock in the Bilibinsky and Chaunsky districts of the Chukotka Autonomous Region
Abstract
The Chukotka Autonomous Region has poor transport infrastructure due to the remoteness of the region and its harsh climate. Nevertheless, there are numerous deposits in the region that are not currently being developed. Each potential deposit requires the creation of transport infrastructure of varying scale, for the construction of which rubble from local hard rock formations will be used. The article substantiates the necessity of using the depth to hard rock indicator as one of the criteria when designing quarries for construction materials from local hard rock in the Bilibinsky and Chaunsky districts of the Chukotka Autonomous Region.
For this purpose, a predictive model was created based on drilling data in the region to obtain the depth to hard rock within the boundaries of the Bilibinsky and Chaunsky districts. The model uses derivatives of the digital terrain model, vegetation index, and distance to water bodies. The output results for the entire region can be used to assess any site in the region to determine the estimated volume of overburden rocks and the volume of hard rock rubble reserves.
The model demonstrated a high ability to describe the variation in hard rock formation depth: on the training sample, the coefficient of determination was 0.949, which indicates an explanation of approximately 95% of the variance in observations, and the root-mean-square error did not exceed 0.18 m. When tested on a delayed test sample, the coefficient of determination decreased to 0.8142, which corresponds to the preservation of more than 81% of the explained variance in the new data, and the root-mean-square error increased to 0.33 m, remaining within the acceptable prediction error.
1. Введение
Билибинский и Чаунский районы Чукотского АО характеризиются крайне ограниченной транспортной сетью. Единственная круглогодичная автодорога «Билибино–Кепервеем» (≈32 км) обеспечивает регулярное пассажирское и грузовое сообщение . Остальные наземные маршруты представлены грунтовыми дорогами и сезонными автозимниками, соединяющими район с морскими портами Певек, Зелёный Мыс, Эгвекинот и соседними регионами . Железнодорожное сообщение полностью отсутствует , а речные и морские перевозки по сезонам ограничены ледовыми условиями , . В межсезонье основной вид сообщения — авиация через аэропорт Кепервеем .
Экстремальные природные условия и социально-экономические факторы определяют слабую транспортную инфраструктуру региона. Субарктический климат (Tянв≈−32 °C) и многолетняя вечная мерзлота (300–500 м) требуют свайных оснований и теплоизоляции, что значительно удорожает строительство и содержание дорог. Демографическая убыль (сокращение населения на 68,5% в 1990–2002 гг.) и низкая плотность (≈0,047 чел./км²) снижают налоговую базу и привлекательность для крупных федеральных инвестиций, из-за чего проекты носят точечный характер , .
Регион обладает большим количеством потенциальных неразведанных месторождений, среди которых есть 17 нераспределённых месторождений с проявлениями золота, олова, угля, цинка и других металлов . В Баимской медно-порфировой зоне выявлено до 12 перспективных медно-рудиных проявлений с сопряжёнными запасами золота и серебра, оценёнными в миллионы тонн руды . Выявлены крупные проявления на месторождениях Тенкергинское и Валькумейское с предварительными ресурсами в несколько тысяч тонн основных металлов . В регионе много россыпных проявлений, сосредоточенных в более 30 локальных площадках (Гремучинская, Лунотое, ручей Скрытый, река Оленья и др) . Приоритетные для разработки коренные рудные объекты: «Сухой ручей» и «Клён» (федеральные неиспользуемые запасы, 2015–2022 гг.) , . А также дополнительные участки россыпного золота в районах Чаанай и Песчанка, которые недавно были выставлены на лицензионные торги.
Каждый потенциальный участок месторождений требует вложений в транспортную инфраструктуру, основная часть которых будет представлена грунтовыми или реже всесезонными автодорогами протяженностью от нескольких десятков до сотен километров. На данный момент в транспортной инфраструктуре региона реализуются следующие крупные проекты транспортной инфраструктуры: всесезонная автодорога «Билибино–мыс Наглёйнын» протяженностью около 200 км , внешние объекты Баимского ГОКа , реконструкция аэропорта Кепервеем , нацпроект «БКАД».
Из-за отсутствия развитой транспортной инфраструктуры использование местного щебня является приоритетным, так как снижает логистические издержки. Транспортировка щебня на 1000–2000 км удваивает его стоимость, что делает удалённые поставки экономически нецелесообразными . Локальный материал уменьшает себестоимость земляных работ, снижает нагрузку на автозимники . Глубина до скальной породы является одним из критериев при выборе площадок под карьер строительного щебня: при глубине до скальной породы более 10 м затраты на удаление вскрышных пород резко возрастают и становятся нецелесообразными . Соотношение мощности вскрышных пород к мощности добываемого пласта не должно превышать 1:1, иначе расходы на вскрышу и транспортировку бесполезного материала становятся неконтролируемыми . Цифровые модели мощности вскрыши и залегания коренной породы, построенные на основе бурения, обеспечивают точность <1 м и позволяют ранжировать участки по объему вскрышных пород . Таким образом, результаты полученные при помощи градиентных моделей позволяют снизить капитальные вложения на разведку в условиях многолетней мерзлоты .
2. Методы и принципы исследования
Современные методы моделирования глубины до коренной скальной породы опираются на нелинейные зависимости между точечными измерениями глубины до коренной породы и пространственными показателями, основанными в первую очередь на цифровой модели рельефа, морфометрических характеристиках рельефа, литологических данных, а также индексе растительности, расстоянию до водных объектов. В глобальном масштабе была предложена методика определения глубины до коренной породы, основанная на более чем 200 000 профилей из мировой базы данных для обучения и генерации глобальной карты по глубине до коренной породы с разрешением 250 м . В региональных исследованиях применялись модели для создания карт высокого разрешения глубины до коренной породы, основанные на конкретных данных бурения по региону, что позволило значительно увеличить точность результатов, по сравнению с глобальными значениями , , , .
Таблица 1 - Распределение данных по глубине до коренной породы
Категория глубины, м | Обучающая выборка | Тестовая выборка |
0 | 1071187 | 267797 |
0–10 | 2170 | 564 |
10–20 | 2159 | 517 |
>20 | 59 | 16 |
Для построения модели использовались данные по бурению, а также экспертные данные по выходу скальной породы на поверхность, которые были разделены на тестовую и обучающую выборку, где тестовая предназначалась для оценки результатов по полученной модели, что отражено в таблице 1. Регион обладает преимущественно горным рельефом, поэтому в данных преобладают экспертные точки наблюдения, которые составляют 99% от всех данных, в то время как количество буровых скважин равно 5640 штук. Отношение тестовых данных к общему объему данных — 20/80.
Рисунок 1 - Архитектурное построение программы для расчета глубины до коренной породы
В выборке присутствуют скважины, в которых коренная породы не была достигнута, в таком случае происходит построение дополнительной модели для заполнения значений глубины до коренной породы по этим скважинам. Дополнительная модель обучается на части основных параметров, после чего полученное значение складывается с известной глубиной скважины. Полученный результат в виде карты сглаживается медианным фильтром, для смягчения потенциальных выбросов.
Основная проблема заключается в большом количестве разреженных данных, которые необходимо корректно учесть при построении модели. Учитывая характер данных была выбрана модель, обеспечивающая эффективную обработку разреженных и высокоразмерных признаковых данных , , . Основная идея алгоритма заключается в решающих деревьях: на каждом шаге строится новое дерево, минимизирующее ошибку предыдущей совокупности деревьев, что обеспечивает быстрый рост качества предсказаний при умеренном риске переобучения .
3. Основные результаты
Таблица 2 - Статистические показатели модели
Показатель | Значение |
Коэффициент детерминации на обучающей выборке | 0,9490 |
Среднеквадратичная ошибка на обучающей выборке, м | 0,1766 |
Коэффициент детерминации на тестовой выборке | 0,8142 |
Среднеквадратичная ошибка на тестовой выборке, м | 0,3325 |
Доля данных по выходу скальных пород, % | 99,59 |
Доля данных по известной глубине скальной породы, % | 0,41 |
Модель продемонстрировала высокую способность описывать вариацию глубины залегания скальной породы: на обучающей выборке коэффициент детерминации составил 0,9490, что указывает на объяснение примерно 95% дисперсии наблюдений, а среднеквадратичная ошибка не превысила 0,18 м. При проверке на отложенной тестовой выборке коэффициент детерминации снизился до 0,8142, что соответствует сохранению более 81% объясненной дисперсии в новых данных, а вырос до 0,33 м, оставаясь в пределах допустимой погрешности прогноза.
Рисунок 2 - Диаграмма соответствия обучающей и тестовой выборки
4. Обсуждение
Рисунок 3 - Карта глубины до коренной породы
Рисунок 4 - Карта глубины до коренной породы
Рисунок 5 - Карта глубины до коренной породы
Рисунок 6 - Карта глубины до коренной породы
Рисунок 7 - Карта глубины до коренной породы
5. Заключение
Использование модели, основанной на решающих деревьях, позволило получить точность предсказания при доминировании разреженных данных. Были рассчитаны производные параметры из цифровой модели рельефа, а также корректирующие параметры, такие как индекс растительности и расстояние до водных объектов.
Оценка качества модели показала высокие результаты: коэффициент детерминации на обучающей выборке составил 0.9069, на тестовой — 0.8305, что свидетельствует о высокой объяснённости вариаций глубины залегания скальных пород моделью. Среднеквадратическая ошибка на обучении составила 0.1562 метра, на тестировании — 0.2071 метра.
Таким образом, данные полученные по Билибинскому и Чаунскому району могут одним из оценочных критериев при подготовке к разведке карьеров строительных материалов для объекта транспортной инфраструктуры, что позволяет уменьшить экономические затраты на разведку, бурение и подобрать оптимальный участок на этапе проектирования строительных карьеров для обеспечения объекта инфраструктуры.