Содержание к диссертации
Введение
1 Характеристика золоторудных месторождений 9
1.1 Классификации золоторудных месторождений 9
1.2 Моделирование золоторудных месторождений 37
1.3 Геологическая характеристика оцениваемых рудных объектов 41
2 Принципы создания экспертной системы 53
2.1 Определение экспертной системы 53
2.2 Экспертная система PROSPECTOR 55
2.3 Экспертная система прогноза и оценки золото-серебряных месторождений ОЧВП 59
2.4 Принципы и структура предлагаемой экспертной системы 65
3 Экспертная система выбора ближайших аналогов золоторудных месторождений 72
3.1 Структура системы выбора аналогов золоторудных месторождений и её программно-аппаратная основа 72
3.2 Модель хранения геоданных. Формат файлов данных. Система управления базой данных 81
3.3 Блок диалога. Система ввода информации 92
3.4 Интеллектуальный блок. Обработка анкеты данных экспертируемого рудного объекта 103
3.5 Обсуждение результатов 120
4 Экономическая экспресс-оценка золоторудньк месторождений 126
Заключение 164
Список литературы 166
Приложение 1
- Моделирование золоторудных месторождений
- Экспертная система PROSPECTOR
- Модель хранения геоданных. Формат файлов данных. Система управления базой данных
- Интеллектуальный блок. Обработка анкеты данных экспертируемого рудного объекта
Введение к работе
Актуальность. Проблемам геолого-экономической оценки рудных месторождений, установления оптимальных параметров разработки, рационального использования минеральных ресурсов уделялось значительное внимание на протяжении последних десятилетий. Однако переход от централизованно управляемой экономики к рыночной системе хозяйствования потребовал переосмысления накопленных методологических разработок и практических решений в этой сфере. По существу требуется создание новых принципов и методов геолого-экономической оценки месторождений, которые должны базироваться на положениях современной экономической теории. Научная обоснованность критериев, принципов и методов геолого-экономической оценки и установления оптимальных параметров разработки имеет весьма важное значение для формирования минерально-сырьевой базы страны и экономики горнодобывающих предприятий.
Геолого-экономическая оценка рудных месторождений представляет собой принятие решений в условиях неопределенности, обусловленной как вероятностным характером исходной геологической информации, так и изменениями экономических условий. Освоению рудных месторождений присущи свои особенности: длительность производственного цикла, неопределенность геологической информации, невозобновляемость запасов, динамический характер формирования доходов и затрат в период эксплуатации. Экономические показатели горно-обогатительного предприятия функционально зависят от количества и качества руды (запасов и среднего содержания ценных компонентов), принятого способа разработки и производительности по руде. Трудами отечественных ученых была создана теория проектирования горных предприятий. Однако в связи с переходом на рыночную экономику практически пересмотрены принципы геолого-экономической оценки месторождений.
В настоящее время обязательными факторами геолого-экономической оценки месторождений являются: источник инвестиций и условия финансирования, норма прибыли, срок существования горно-обогатительного предприятия, действующая система налогообложения, а также фактор риска в результате возможного неподтверждения исходных данных. Особо важное, если не определяющее значение получил принцип достижения максимального экономического эффекта проекта. Чистый дисконтированный доход (NPV) является мерилом экономической оценки месторождения.
Из многих типов рудных месторождений в качестве объектов исследований выбраны эндогенные месторождения золота как наиболее востребованные и ликвидные.
Если в советский период проектирование горно-обогатительных предприятий осуществлялось только на детально разведанных запасах, то сейчас нередко лицензии на разведку и добычу оцененных месторождений выдаются недропользователям на условиях предпринимательского риска. Ввиду вынужденного сокращения срока подготовки рудного объекта к эксплуатации неизбежно повышается значение объективной и оперативной геолого-экономической оценки месторождения при недостаточной степени геологической изученности и разведанности запасов месторождения.
Целью работы является разработка принципов и методов ускоренной геолого-экономической оценки золоторудных месторождений при недостаточной степени геологической, горнотехнической, гидрогеологической, технологической и экологической изученности.
Реализация поставленной цели потребовала решения следующих задач:
На основе метода стратифицированного математического моделирования сформирована концепция единой информационно-аналитической системы оценки и разработана схема её практической реализации.
Создана компьютерная экспертная система на базе известных детально разведанных, разрабатьшаемых и отработанных золоторудных месторождений для выбора ближайших аналогов оцениваемого рудного объекта и прогнозирования неустановленных геологических признаков.
Созданы геолого-экономические модели золоторудных месторождений, по которым имеются ТЭО, разработанные в период 1995-2003 гг.
4. Выполнено экономико-математическое моделирование и выявлены
корреляционные зависимости основных факторов оценки: запасов и качества руды,
годовой производительности, требуемых капиталовложений, издержек производства.
Составлена схема экономической оценки золоторудных месторождений с использованием
вычисленных по уравнениям регрессии параметров и получением итоговых интегральных
экономических показателей - IRR, PI и NPV.
Фактический материал. В основу экспертной системы выбора ближайшего аналога положен обширный фактический материал, составляющий информационное наполнение баз данных по золоторудным месторождениям ЦНИГРИ. База данных экспертной системы представляет собой матрицу из 888 признаков по 247 месторождениям России и мира.
База данных была составлена в начале 90-х годов прошлого века экспертами ЦНИГРИ под руководством М.М.Константинова в рамках госбюджетной темы. Предусмотренная программой работ по теме компьютерная экспертная система оценки
месторождений не была реализована в силу чисто технических трудностей, несовершенства и ограниченных возможностей DOSobckou среды программирования. Предоставленная в 2001 г. автору база данных представляла собой обрывочные файлы *.dat и *.txt, вследствие чего потребовалось немало усилий, составления специальной восстанавливающей и конвертирующей программы для реанимации информации. В процессе разработки экспертной системы база данных многократно корректировалась экспертами.
Экономико-математический страт информационно-аналитической системы базируется на геолого-промышленных (количественных) моделях 92 месторождений. В процессе сбора и анализа технико-экономических показателей по российским месторождениям обработано 45 протоколов ГКЗ МПР России и ТЭО кондиций.
Автор участвовал в разработке предшествующих компьютерных экспертных систем «АСТРА» и «Система прогноза золоторудных месторождений Охотско-Чукотского вулканогенного пояса».
Методы исследования:
1. Программная оболочка системы реализована с помощью современных методов
объектно-ориентированного программирования. Для ее генерации была использована
среда разработки программных приложений Delphi 7.0, в основе которой лежит
использование языка Pascal для выполнения математических и логических операций.
2. Зависимости технико-экономических показателей, используемых при
экономической оценке золоторудных месторождений, установлены методами
корреляционного и регрессионного анализа.
3. Интегральные экономические показатели по экспертируемым рудным объектам
рассчитаны по действующей методике экономического анализа эффективности
инвестиций с учетом фактора времени и в соответствии с «Положением о бухгалтерском
учете».
Защищаемые положения:
Информационно-аналитическая система оценки золоторудных месторождений разделена на два уровня ввиду объективных различий баз данных и технологий их обработки. Экспертная система нижнего уровня осуществляет выбор ближайших аналогов экспортируемого объекта, а система экономико-математического моделирования верхнего уровня оценивает экономическую целесообразность продолжения геологоразведочных работ и возможность разработки месторождения.
Система поиска аналогов в виде 32-разрядного программного приложения с интуитивно-графическим интерфейсом, построенным в современной среде Delphi 7,
обеспечивает объективное прогнозирование неустановленных геологических особенностей оцениваемого рудного объекта по информационным моделям наиболее сходных золоторудных месторождений России и мира.
3. Запасы, качество руд и основные технико-экономические показатели золоторудных месторождений России и мира, сходных по способу разработки и технологии переработки руд, обнаруживают тесные корреляционные зависимости, которые удовлетворительно аппроксимируются степенными уравнениями регрессии. Регрессионный метод на базе ТЭО разрабатываемых и намечаемых к освоению золоторудных месторождений позволяет выполнить экономическую оценку рудного объекта на любой стадии изучения, в любом выбранном (экспертом) варианте условий разработки.
Научная новизна работы:
1. Впервые выполнена сопоставительная оценка золоторудных месторождений по совокупности геологических, минералогических, геохимических и геофизических признаков. Показано, что многие типы месторождений доминирующей и общепризнанной в нашей стране рудно-формационной классификации не имеют четко выраженных границ (градаций) в признаковом пространстве выборки рудных объектов. Относительную устойчивость или обособленность обнаруживают месторождения золото-серебряной формации, а также «экзотические» объекты формаций золото-урановой и золото-сульфидно-кварцевой зеленокаменных поясов.
В результате экономико-математического моделирования получена система уравнений регрессии для оценки золоторудных месторождений России в современных экономических условиях. Помимо ранее известных регрессий «запасы - качество руд», «производительность по руде - капиталовложения», «запасы руды - производительность по руде» установлены корреляционные зависимости запасов золота и производительности по золоту (годового выпуска металла), а также производительности и удельных (на 1 тонну руды) издержек производства. Последняя зависимость позволяет рассчитать затратную часть при анализе экономической эффективности проекта.
На представительных выборках золоторудных месторождений России и мира существенно уточнена эмпирическая формула Тейлора, выведенная в 1977 г. для рудных месторождений в целом, независимо от способа разработки и технологии переработки
РУД-
Практическое значение. Работа направлена на решение актуальной народнохозяйственной проблемы по расширению минерально-сырьевой базы золотодобывающей промышленности России. Разработанная компьютерная экспертная система
предназначена для прогнозирования неустановленных поисково-оценочными работами признаков (параметров) изучаемых золоторудных объектов по ближайшим аналогам среди известных хорошо изученных месторождений России и мира.
Экономико-математическая часть информационно-аналитической системы, основу которой составляет регрессионный метод оценки, позволяет выполнить анализ экономической эффективности проекта разработки изучаемого или предлагаемого к лицензированию рудного объекта при минимальном объеме информации о запасах (прогнозных ресурсах), горнотехнических условиях и технологических свойствах руд.
Большинство лицензируемых и находящихся в госрезерве золоторудных месторождений оценены и разведаны в советский период. Естественно, технико-экономические расчеты целесообразности промышленного освоения этих объектов выполнены по действовавшей в то время методике, исходя из существовавших технологий, цен, уровня зарплаты, тарифов и т.д. В «Государственном балансе запасов полезных ископаемых» доля собственно балансовых запасов, т.е. рентабельных, отвечающих современным требованиям, по разным оценкам, составляет 50-60% от всего объема учтенных запасов. В связи с этим представляется весьма актуальной переоценка месторождений, запасы которых приняты на баланс в советский дореформенный период.
Применяемые методы переоценки запасов, предусматривающие использование индексов-дефляторов, коэффициентов богатства, кондиционности и фактических данных по аналогичным объектам, недостаточно обоснованы и часто некорректны. Предлагаемый регрессионный метод экспресс-оценки позволяет обеспечить оперативное и обоснованное решение проблемы переоценки золоторудных месторождений, запасы которых приняты на баланс в дореформенный советский период. Благодаря оперативности и наглядности регрессионный метод оценки может быть эффективно использован в качестве контрольного для выявления ошибок типа «грубых промахов» в ТЭО кондиций или банковском ТЭО.
Апробация работы. Основные положения диссертации докладывались на XIII Международной конференции «Проблемы теоретической кибернетики» в Казани 27-31.05.2002 г., на 8 и 9 конференциях Международной Ассоциации Математической Геологии (INTERNATIONAL ASSOCIATION FOR MATHEMATICAL GEOLOGY) в Берлине 15-20.09.2002 г. и в Портсмуте 7-12.09.2003 г., а также на Всероссийском симпозиуме «Геология, генезис и вопросы освоения комплексных месторождений благородных металлов» в Москве 20-22.11.2002 г..
Результаты исследований изложены в 5 печатных работах.
Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения. Основной текст (162 стр.) сопровождается 42 иллюстрациями, 23 таблицами и 10 приложениями. Компьютерный код главного модуля экспертной системы приведен в отдельной книге объемом 207 стр. Список литературы содержит 103 наименования.
В главе 1 приведен обзор и анализ существующих классификаций золоторудных месторождений, дается краткое геологическое описание трех экспертируемых рудных объектов, на которых не завершены геологоразведочные работы оценочной стадии. В главе 2 обсуждаются основные подходы и принципы создания информационно-аналитической системы. В главе 3 охарактеризована компьютерная экспертная система выбора аналогов среди золоторудных месторождений России и мира. Глава 4 посвящена вопросам экономико-математического моделирования и экономической оценки золоторудных месторождений.
Работа выполнялась в ЦНИГРИ и ИГЕМ РАН под научным руководством кандидата физико-математических наук И.А.Чижовой, которой автор благодарен за всестороннюю помощь. На заключительном и главном этапе в МГГРУ диссертация была кардинально переработана под руководством доктора геолого-минералогических наук, профессора В.И.Пахомова, взявшего на себя нелегкий труд по выводу диссертации на защиту. Автор выражает глубокую благодарность доктору геолого-минералогических наук Б.И.Беневольскому за целый ряд ценных советов, а также доктору геолого-минералогических наук, профессору М.М.Константинову, доктору геолого-минералогических наук С.Ф.Стружкову и кандидату геолого-минералогических наук В.В.Аристову за любезно предоставленную базу данных золоторудных месторождений.
Моделирование золоторудных месторождений
Необходимость моделирования рудных месторождений определяется задачами создания обобщенных образов объектов прогноза, поисков, оценки и разведки с целью повышения эффективности геологоразведочных работ на всех стадиях их проведения. Условия для моделирования созданы накоплением огромного объема описательной информации по сотням оцененных, разведанных и эксплуатируемых месторождений. Исходная информация при характеристике объектов, так или иначе, обобщается в процессе описания признаков, выбора (селекции) из них наиболее представительных, постоянно повторяющихся на месторождениях одной и той же рудно-формационной, либо геолого-промышленной принадлежности. Реальность создаваемых моделей и возможности их использования для прикладных целей подтверждаются выявлением рудных объектов на перспективных площадях, выделенных при прогнозировании с учетом моделей месторождений.
Исследования по моделированию рудных месторождений, начатые в ЦНИГРИ в конце 1970-х - начале 1980-х годов, были интенсифицированы в последующем десятилетии с целью создания системы моделей месторождений алмазов, благородных и цветных металлов ведущих рудно-формационных и геолого-промышленных типов. Формирование моделей велось на основе обширных фактографических материалов с максимально возможным использованием количественных показателей и количественных методов. Система моделей золоторудных месторождений объединяет различные по целевому назначению и содержанию, но взаимосвязанные по ряду характеристик модели: - классификационно-признаковые, используемые преимущественно для общей систематики месторождений в описательных, геолого-генетических, прикладных и образовательных целях; геолого-промышленные количественные (статистические), отражающие зависимости между числом месторождений и запасами содержащихся в них руд и/или металлов, а также концентрациями основных рудообразующих элементов. Такие модели позволяют выделять доминирующие классы месторождений по запасам и содержаниям для целей оценок прогнозных ресурсов перспективных площадей; - прогнозно-поисковые модели в качественном выражении, представляющие собой целевые описательные классификационно-признаковые модели, которые характеризуются сопряженными и соподчиненными элементами рудоносного пространства. Такие элементы, описываемые разными характеристиками и выделяемые соответствующими методами, эквивалентны критериям и признакам, которые используются при локальном прогнозе и поисках. Прогнозно-поисковые модели по сочетанию их элементов определяют требования к результатам и качеству соответствующих стадий геологоразведочных работ; - прогнозно-поисковые модели в количественном выражении — параметрические. В таких моделях различные элементы рудоносного пространства имеют количественное выражение, в первую очередь, геометрическое, что определяет требования к плотности наблюдений (поисковых сетей), необходимой для обнаружения рудных тел либо оценки удаленности любой точки наблюдений от возможных рудных тел; - морфометрические модели рудных тел, основанные на соотношениях их линейных значений: протяженности по простиранию, вкрест простирания и мощности (либо пар этих элементов). Такие модели служат для оптимизации размещения (заложения) разведочных выработок на стадиях поисковых и оценочных работ; - концентрационные модели рудных тел, традиционно отображаемые в форме изо-концентрат на пресс-проекциях рудных тел, либо на их разрезах. Такого рода модели позволяют выявить характер распределения рудообразующих элементов, определить положение зон концентрационных неоднородностей различных порядков и их долю в запасах, что существенно для оптимизации оценки и разведки; - градиентно-векторные морфометрические и концентрационные модели рудных тел, представляющие собой целевые версии количественных моделей и позволяющие оценивать интенсивность «потоков» масс и содержаний рудного вещества по разным направлениям относительно осей рудных тел. Такие модели используются для оптимизации оценки и разведки рудных тел, а также генетических построений; - количественные геолого-генетические модели рудообразующих систем и про цессов, описываемые совокупностью элементов, с которыми связывается рудона копление. В основе таких моделей лежат показатели масс и содержаний в системе «источники — транспортируюпще агенты — области рудоотложения», а также ха рактеристики состояния рудного вещества в каждом из названных элементов и в процессах его перемещения и накопления. Подобные модели создают основы для новых научно-методических подходов к прогнозу месторождений; - композитные (многофакторные) оценочно-разведочные модели рудных тел, которые основаны на интеграции их морфометрических и концентрационных характеристик, имеющих количественное выражение, и на статистических показателях параметров, используемых при подсчете запасов. Такие модели необходимы для
Экспертная система PROSPECTOR
В области геологии одной из первых является система PROSPECTOR, разработанная для оказания помощи геологам-поисковикам. Эта программа была создана компанией ESRI International (совместно с консультантами по геологии) и организацией U.S. Geological Survey. Она способна давать три типа «советов»: оценку местности на предмет существования определенных залежей; оценку прогнозных ресурсов региона и выбор перспективных участков для бурения. Эксперт-геолог применяет очень ограниченные модели, при выявлении территорий с возможными запасами, например, золота. В системе PROSPECTOR эти модели в закодированном виде находятся в памяти ЭВМ, они определенным образом интерпретируются при оценке того или иного участка. Одна из главных особенностей знаний экспертов-геологов заключается в том, что они неполны и неопределенны. В связи с этим используются специальные технические приемы, отличные от тех, что применяются в других (более определенных) экспертных системах.
Знания геолога-эксперта хранятся в виде набора фактов и правил, часто эмпирических. Геологическая модель состоит из пространств, связанных правилами. Некоторое пространство может представлять наблюдаемые показания или предположения, и каждому такому пространству соответствует определенное значение вероятности, показывающее, насколько оно правдоподобно. В начале процесса показатели вероятности обычно имеют низкие значения. Правила выявляют, как изменения показателей вероятности одних пространств влияют на подобные показатели других. Так, если изменяется значение показателя вероятности пространства 1, то определенное правило распространяет воздействие этого изменения на пространство 2. Пространство 1 соответствует «предпосылке», а пространство 2—«действию». Модель строится посредством соединения пространств с помощью правил в виде сети.
Правила характеризуются двумя факторами, определяющими их мощность: фактором достаточности и фактором необходимости. В целом модель имеет дело с вероятностями существующих пространств. Такие пространства при построении модели используются для извлечения информации от пользователя. Сеть заключений является эмпирической, а не концептуальной, поскольку не учитывает контекст правил и взаимосвязи пространств с точки зрения геологии.
В системе PROSPECTOR имеется семантическая сеть узлов и дуг, которая, в свою очередь, подразделяется на пространства более высокого уровня, образующие узлы сети заключений.
Механизм управления обеспечивает взаимодействие с попеременной инициативой. С помощью определенных команд пользователь в любой момент может взять управление в свои руки. Другими словами, ему не обязательно каждый раз отвечать на вопрос, задаваемый системой PROSPECTOR. В начале консультации пользователь может, например, повлиять на выбор одной из исходных гипотез в результате произвольного их перебора (просмотра) или попросить систему проверить конкретную гипотезу.
Когда процессом управляет сама система PROSPECTOR, она производит выбор гипотезы, подлежащей обработке, и для прохождения по сети заключений применяет стратегию «сначала вглубь». В этом случае производится выбор такого правила, при употреблении которого обеспечивается наибольшее повышение шансов рассматриваемой гипотезы (или отбрасывание ее). Для минимизации количества малоэффективных вопросов служат соответствующие технические приемы. В любое время пользователь может обратиться к системе с просьбой перефразировать вопрос или пояснить причины, по которым он был ею задан. Пользователь может также потребовать комментариев относительно состояния результатов поиска. Правила могут применяться как под управлением данных, так и под управлением целей. В системе PROSPECTOR между пространствами существует три типа взаимосвязей: а) мощность правила для выражения взаимодействия между пространствами с применением факторов необходимости и достаточности; б) логические взаимосвязи, показывающие, как будут обрабатываться комбинации утверждении (И, ИЛИ, НЕТ); в) контекстные взаимосвязи, показывающие последовательность вывода утверждения. Каждое правило характеризуется «мощностью», которая служит мерой того, насколько сказывается изменение вероятности одного правила на вероятностях других правил. Исходное пространство (суждение) и конечное пространство (гипотеза) соотносятся между собой посредством мощности правила, представляемой парой чисел LS и LN. Несмотря на существование связи между LN и LS, эксперты не всегда осознают это. Часто эксперт заявляет: «Присутствие Е повышает значение шансов Н, а отсутствие Е никак не сказывается на шансах Н», т. е. LS 1, LN=1, что противоречиво. Система PROSPECTOR создана для того, чтобы выявлять подобную противоречивость. Применяются три вида логических отношений: И, ИЛИ, НЕ. Если каждое из нескольких высказываний должно иметь значение ИСТИНА для того, чтобы была истинна гипотеза, то истинность гипотезы представляется конъюнкцией (И) выражающих ее высказываний. Если для этого требуется истинность только одного высказывания из существующего набора их, то истинность гипотезы выражается дизъюнкцией (ИЛИ) этих высказываний. Третий логический оператор—отрицание (НЕ)—просто меняет на обратное значение истинности гипотезы. Следовательно, с помощью операторов И, ИЛИ, НЕ производится объединение высказываний. В общем случае высказывания не будут строго истинны или ложны, а скорее они будут иметь некоторую обобщенную вероятность. В такой ситуации применяется теория нечетких множеств. Для И берется минимальная из вероятностей, для ИЛИ — максимальная, а НЕ просто отрицает вероятность.
К контекстуальным отношениям обращаются тогда, когда требуется справиться с ситуациями, в которых суждения нельзя рассматривать в произвольном порядке. В реальных условиях некоторые показания нельзя анализировать до тех пор, поканедоступны определенные другие показания. Например, «присутствие гранитоидных интрузий в регионе» должно быть определено до выявления «благоприятных условий региона».
Рассмотренная система PROSPECTOR расширяют диапазон задач, решаемых ЭВМ с помощью программ, способных справиться с различного рода неопределенностями. Подобные неопределенности могут быть заложены как в самих знаниях, служащих основой для решения задач, так и в сведениях, в соответствии с которыми делается то или иное заключение. В отношении конкретных знаний из какой-либо предметной области метод представления их в виде правил продукции не накладывает (сам по себе) никаких
Модель хранения геоданных. Формат файлов данных. Система управления базой данных
В качестве модели хранения геоданных была выбрана реляционная модель данных. Такой выбор обусловлен достаточно объемным набором свойств в описании золоторудных объектов и тем, что данный набор свойств одинаков и применяется для всех объектов, включенных в базу данных системы. Реляционная модель данных позволила сократить время доступа к информации о свойствах золоторудных месторождений и увеличить скорость обработки геологической информации для более быстрого получения результата оценки изучаемого месторождения. Для описания любого золоторудного месторождения в системе всегда используется один и тот же набор свойств объекта. Совокупность всех свойств объекта можно описать первым столбцом в таблице базы данных. В других столбцах отображаются закодированные значения этих свойств для каждого из объектов. Набор принимаемых значений для одного объекта характеризуется одним столбцом в таблице данных. Таким образом, при наличии в базе данных системы 247 объектов, табличная форма базы данных содержит 248 столбцов и количество записей (строк), равное количеству признаков, предложенных для описания золоторудных объектов (888 признаков).
Для удобства восприятия информации, каждый золоторудный объект в базе данных хранится в виде отдельного файла в рабочей папке системы. В один файл включен набор значений свойств для одного золоторудного объекта. Для каждого из объектов базы данных в рабочей папке системы хранится отдельный файл, в котором записан один столбец данных, содержащий набор однозначных значений по каждому из свойств, принятых для описания золоторудного объекта. Каждый файл, включающий в себя описание одного объекта, имеет формат .dob. Имя расширения файла dob означает, что в нем хранятся данные по объекту (Data OBject). Малый размер такого файла (порядка 3 Кбайт) достигнут простотой применяемой технологии хранения данных: каждое свойство объекта описано закодированным числовым значением от 0 до 5. «О» означает отсутствие признака или отсутствие информации. «1» означает наличие признака на рассматриваемом объекте. Для некоторых групп признаков введена бальная система. Рассмотрим отдельно группы признаков объекта, в которых описание каждого признака характеризуется наличием или отсутствием информации по нему и группы признаков, для описания которых в базе данных системы, применена бальная система градаций. Все используемые группы признаков и система их описания, общая для всех объектов базы данных, сведены в таблицу 3.2.1. «Система управления базой данных (СУБД) по золоторудным месторождениям мира представляет комплекс программных и языковых средств, предназначенных для ведения и использования базы данных. СУБД состоит из набора диалоговых форм для получения и корректировки данных. Ввиду используемого программной оболочкой разрешения, вся информация разделена по 11 диалоговым формам представления информации.
Для визуализации всей информации по объекту из базы данных, необходимо открыть файл с данных с названием имя овъектаАоЬ. Для примера, откроем файл данных l.dob. Чтобы открыть файл данных, необходимо выполнить команду открытия файла, которая выполняется кнопкой «Открыть» в нижней части оконной формы диалога системы. После нажатия на кнопку на экране появится сообщение (рис. 3.2.1).
Данное сообщение на экране является следствием того, что при запуске системы в оперативной памяти автоматически выделяется место под новый файл данных (проект). При попытке открыть новый файл данных, система выдает запрос на сохранение текущего файла, который был создан при запуске системы. Если перед открытием файла велась работа с другим файлом (проектом), то все изменения, сделанные в нем, можно сохранить, нажав кнопку «Да». Если до этого никакая работа с другим проектом не велась, то следует ответить «Нет». Для отмены операции открытая файла с данными, следует нажать «Отмена». После нажатия «Да» на экране появится окно диалога открытия файла, в котором необходимо указать тип файла и путь к файлу, который будет открыт. Окно диалога открытия файла отображено на рисунке 3.2.2.
В нижнем поле, где выбирается тип файлов, необходимо выбрать соответствующий фильтр, который позволяет в папке отображать файлы только с одним расширением dob (файлы объектов базы данных). Таким образом, следует выбрать фильтр «Объект из базы данных». После этого необходимо выбрать файл .dob и выполнить команду его открытия, нажав на кнопку открыть или двойным нажатием левой кнопки мыши на соответствующем файле. После открытия файла описания объекта открывается доступ ко всем формализованным системой свойств объекта. Имя объекта, по которому отображена информация диалоговых оконных формах СУБД, указывается в верхней части окна системы (рис. 3.2.3). На рис. 3.2.3 видно, что открыт файл 001.dob. Также видно, что перед названием файла, указан полный путь к нему. В окне «диалога 1» присутствует информация по двум группам признаков: «Региональные геологические структуры, определяющие размещение золоторудных провинций» и «Структуры рудного района и узла». Отсюда видно, что описание группы признаков ((Региональные геологические структуры, определяющие размещение золоторудных провинций» для объекта, описание которого хранится в файле 001.doh, содержит только один признак «Вулканические пояса окраинно-матернковые. В группе признаков «Структуры рудного района и узла» для данного объекта также содержит только один признак «Купольные поднятия и складчато-глыбовые поднятия». Наличие или отсутствие признаков в такой системе описание задается наличием или отсутствием проставленных «галок» у каждого отдельно взятого признака. В данном случае в окне диалога отображаются все признаки, входящие в отдельные рассматриваемые группы признаков, поскольку количество этих признаков позволяет отображать их в одном окне одновременно. В диалоговом окне 2 (рис. 3.2.3)
Интеллектуальный блок. Обработка анкеты данных экспертируемого рудного объекта
Интеллектуальный блок информационно-аналитической системы служит для программной реализации всех необходимых для оценки объекта математических и логических операций и принятия результирующего решения по окончании операций вычисления. Поскольку рассматриваемая подсистема служит для поиска ближайших аналогов золоторудных объектов, то результатом работы интеллектуального блока является список полученных аналогов для изучаемого золоторудного объекта. Список аналогов объекта представляет собой выборку из 20 эталонных золоторудных месторождений, которые являются ближайшими аналогами изучаемого золоторудного месторождения. Вся информация по эталонным объектам хранится в базе данных системы. Выборка из 20 ближайших объектов-аналогов обусловлена рекомендациями экспертов (Стружков С.Ф., Константинов М.М.). Алгоритм принятия решения о выборе ближайших аналогов изучаемого объекта базируется на логико-информационном методе. После описания свойств изучаемого объекта в принятой системе описания,
вычисляется мера его сходства с эталонными объектами. После этого из списка эталонов выбирается 20 ближайших объектов, имеющих сходство с изучаемым объектом по ранее выбранным пользователем параметрам. На рис. 3.4.1 представлена структурная блок-схема алгоритма программной реализации интеллектуального блока системы.
Первый этап обработки информации начинается с загрузки данных об изучаемом объекте из файла экспертного проекта, который предварительно создается в процессе ввода данных и сохраняется на магнитном носителе на предшествующей стадии работы с системой. Чтобы приступить к обработке информации, необходимо, чтобы все данные по изучаемому объекту обязательно заранее были сохранены в файле экспертного проекта. Название файла экспертного проекта отображается в верхней части оконной формы системы.
Следующим элементом схемы интеллектуального блока является анализатор информации, осуществляющий распознавание типа закодированной информации в соответствии с принятой системой описания признаков объекта (таблица 4.2.1).
Данная система описания представляет собой двухуровневую структуру. Первый уровень описания каждого признака - логический. Данный уровень задает наличие или отсутствие признака на объекте. Описание признаков более половины применяемых групп (15 групп) ограничивается только логическим уровнем. Признаки оставшихся 8 групп помимо логического уровня имеют качественный уровень описания, для которого применена бальная система описания признаков. Например, признаки группы «Структуры рудного района и узла» имеет только логический уровень описания, такие признаки задаются только двумя вариантами описания: наличием или отсутствием. Однако, группа признаков «Минералы руд» обладает еще и качественным уровнем описания: - код «0» означает отсутствие признака на объекте (логический уровень), - код «1» означает, что данный признак является редким на изучаемом объекте (качественный уровень), - код «2» означает, что данный признак является второстепенным на изучаемом объекте (качественный уровень), - код «3» означает, что данный признак является главным на изучаемом объекте (качественный уровень), - код «4» означает наличие признака на объекте (логический уровень). Таким образом, для признаков группы «Минералы руд» применена бальная система описания, включающая как логический, так и качественный уровень описания каждого признака. Однако, сравнивать любые два объекта, имеющие подобную структуру описания, можно лишь в том случае, когда информация о данных объектах имеет только один из уровней описания: логический или качественный уровень. Если информация по каждому объекту содержит разные системы описания: одноуровневую и двухуровневую, то сравнение таких объектов возможно лишь в случае сведения исходной информации только к одно к уровню, который может быть либо логическим, либо качественным в зависимости от типа исходной информации. Например, чтобы сравнить два объекта по группе признаков «Минералы руд», необходимо, описания одинаковых признаков по каждому из объектов преобразовать в логический или качественный уровень описания (таблица 3.4.1).
Из таблицы видно, что при сравнении двух объектов могут иметь место 4 разных ситуации сравнения исходной информации по уровням описания. Когда сравнивается информация одного уровня, затруднений не возникает: сравнивать необходимо по этому уровню описания. Но когда один и тот же признак у объектов №1 и №2 имеет разный уровень описания (логический или качественный), сравнение данных по этому признаку возможно только на логическом уровне - уровне наличия или отсутствия информации. Поэтому, в данном случае, для сравнения разнородных по природе данных, необходимо преобразовать качественный уровень описания данных в логический уровень. Трансформирование двухуровневой системы описания признаков в систему описания данных на логическом уровне, представлено в таблице 3.4.2. Из данной таблицы видно, что отсутствие признака на изучаемом объекте на логическом уровне остается неизменным, в то время как, остальные возможные варианты описания признака (редкий признак, второстепенный признак, главный признак и др.) логически означают наличие признака на объекте.
