تعتبر نمذجة prospectivity المعدنية (Mineral Prospectivity Modelling) أداة حيوية في علم الاقتصاد الاستكشافي، إلا أن معظم العمليات التقليدية تستخدم نماذج تصنيفية تعتمد فقط على البيانات السطحية، مما يجعلها عرضة للكثير من العوامل البيئية السطحية التي لا تعكس الواقع تحت الأرض. ولكن، مع الابتكارات الجديدة في هذا المجال، يبرز نموذج Korzhinskii-Net كشبكة عصبية مدعومة بالفيزياء (Physics-Informed Neural Network - PINN) تقدم حلاً أقوى وأكثر دقة.

هذا النموذج الجديد يعتمد على تكامل حركة السوائل (Darcy flow) ونقل الحرارة بشكل موجه (advective-diffusive heat transport) في إطار عمل موحد وقابل لل differentiation، مما يمكّن من استكشاف إمكانية تواجد المعادن بشكل أكثر دقة. وقد تم تسميته تكريمًا للعالم الروسي دميتري س. كورجنسكي (Dmitri S. Korzhinskii)، الذي ساهم بنظريات مهمة في مجال البيئات المعدنية.

عند اختبار Korzhinskii-Net على خمسة مناطق نحاسية تتنوع بين أصناف المعادن المختلفة مثل النيكل والنحاس والذهب، أظهرت النتائج أداءً متميزًا، حيث حقق متوسط PR-AUC قدره 0.885 مقارنة بـ 0.281 للنموذج التقليدي الأقوى، مما يدل على تفوق هذه التقنية.

الأهم من ذلك، أن Korzhinskii-Net يعد بالمزيد من التطورات في المستقبل، ويؤكد على أهمية النماذج المدعومة بالفيزياء التي يمكن أن تستغل البيانات المفتوحة بشكل استراتيجي. للمزيد من التفاصيل، يمكنكم الاطلاع على الأداة الكاملة والمراحل المتاحة كمصدر مفتوح.