В данной работе представлен новый подход к моделированию хвостохранилищ горнодобывающих предприятий на основе интеграции геостатистического расширения данных и методов искусственного интеллекта. Исследование выполнено на примере хвостохранилища полиметаллического месторождения Восточного Казахстана, характеризующегося высокой пространственной неоднородностью и отсутствием выраженной геологической структуры. Для повышения плотности и непрерывности данных исходный набор данных по 90 скважинам был дополнен с использованием метода ординарного кригинга с формированием регулярной трёхмерной сетки.

Результаты показывают, что применение расширенного набора данных в сочетании с моделью гауссовых смесей (GMM) существенно улучшает качество кластеризации по сравнению с традиционными подходами, основанными только на скважинных данных. В данном случае достигнуто значительное повышение пространственной связности кластеров (индекс Морана увеличился с 0,29 до 0,52), а также улучшение их компактности, что отражается в росте индекса силуэта с 0,41 до 0,59.

В результате были выделены три устойчивых геохимических кластера: зона, обогащённая базовыми металлами (Cu, Pb, Zn), зона с повышенными содержаниями драгоценных металлов (Au, Ag), а также зона с низкими или промежуточными содержаниями. Пространственное распределение кластеров характеризуется высокой непрерывностью и пригодно для блочного моделирования.

Полученные результаты подтверждают, что предложенный подход позволяет выделять геологически и технологически обоснованные домены, напрямую применимые для планирования селективной переработки хвостов и повышения эффективности извлечения полезных компонентов.