2550
Пошук і видобування критично важливих металів залежить не лише від того, де лежить руда, а й від того, як вода та хімічні реагенти проходять крізь пори й тріщини порід. Команда University of Houston та Environmental Molecular Sciences Laboratory створила модель машинного навчання, яка поєднує дані з фундаментальними законами фізики й хімії. Такий підхід має швидше прогнозувати рух розчинених мінералів і водночас не допускати фізично неможливих результатів, які інколи видають звичайні AI-моделі.
Підземний транспорт речовин є дуже складним процесом. Рідина проходить через неоднорідні пори, тріщини й канали, змішується, реагує з мінералами та змінює їхню концентрацію.
У реальному родовищі дослідники майже ніколи не знають усіх параметрів — проникності, пористості, швидкості реакцій і точного початкового розподілу речовин.
Традиційні чисельні симуляції можуть бути дуже точними, але часто потребують значних обчислювальних ресурсів. Звичайні нейронні мережі працюють швидше, однак вимагають великої кількості навчальних даних і можуть створювати нереалістичні прогнози.
Нова система використовує physics-informed neural network, або PINN.
На відміну від звичайного машинного навчання, вона вчиться не лише на даних. У сам процес оптимізації включають рівняння, які описують рух рідини, перенос речовини й хімічні реакції.
Якщо модель видає результат, що суперечить цим законам, алгоритм змінює параметри й намагається одночасно узгодити і дані, і фізику.
Це особливо важливо для критичних мінералів, концентрації яких часто дуже низькі. Навіть невелика чисельна похибка може дати, наприклад, негативну концентрацію речовини — математично можливе число, але фізично безглуздий результат.
Команда спеціально побудувала систему так, щоб утримувати всі передбачення в реалістичних межах.
Одночасно модель може оцінювати параметри, які важко або неможливо безпосередньо виміряти в експерименті.
До них належать локальні швидкості потоку, початковий розподіл хімічних компонентів, реакційні константи, проникність і пористість.
Одне з потенційних застосувань — in situ leaching. У такому способі видобування реагент закачують безпосередньо в породу, де він розчиняє потрібний метал, після чого збагачений розчин відкачують назад.
Ефективність залежить від того, куди піде рідина, наскільки добре вона змішається з породою і як швидко проходитимуть хімічні реакції.
Модель може віртуально перевіряти різні режими закачування до дорогого польового експерименту.
Дослідників цікавлять практичні питання: який реагент використовувати, з якою швидкістю його подавати й скільки часу тримати систему в роботі.
Схожий підхід потенційно придатний для biomining, очищення acid mine drainage, вилучення металів із відвалів і промислових вод.
Поки система випробувана на спрощених задачах, які відтворюють ключові елементи реактивного переносу.
Наступні версії мають додати складнішу хімію, біологічні процеси та взаємодію з мікроорганізмами.
Довгострокова мета команди — перейти до AI-enabled digital twins для мінеральних операцій.
Такий цифровий двійник міг би постійно оновлюватися за новими експериментальними або польовими даними й у реальному часі коригувати прогноз руху рідини та металів.
Автори розглядають нинішню роботу як перший крок до систем, які поєднають експеримент, моделювання та машинне навчання в єдиному циклі.
https://phys.org/news/2026-09-physics-ai-critical-minerals.html
