Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки
+7 (383) 343-12-55 vestnik@ssga.ru
Ru
En
Ru
En
Авторам публикаций
Вестник СГУГиТАрхив журнала Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки

Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки

Картография и геоинформатика
УДК: 528.94+[004.925.83:550.3]
DOI: 10.33764/2411-1759-2024-29-2-108-117
И. Ю. Степанов 1
Год: 2024
Том: 29
№: 2
Страницы: 108 - 117
1 Кемеровский государственный университет, г. Кемерово, Российская Федерация

Финансирование: -

Аннотация:

Рассматривается возможность применения нейронных сетей для анализа данных, полученных в ходе сейсмических исследований. Установлено, что разрывные нарушения угольного массива негативно влияют на пространственную структуру данных. Процесс детектирования таких нарушений определяет повышенные требования к точности их позиционирования в пространстве геологического тела. Отмечается, что точное обнаружение таких нарушений требует использования современных технологий, в том числе таких инструментов, как методы машинного обучения и искусственного интеллекта. Исследовано использование сверточных нейронных сетей, автоэнкодеров и комбинированных архитектур для обнаружения дизъюнктивных нарушений в геологических структурах. Проведено сравнение нейросетевых архитектур на их применимость в задачах выявления дизъюнктивных нарушений в исследуемой области. Приведены результаты сравнения указанных архитектур на подготовленной выборке геоданных. Предложена методика интерпретации результатов.

Ключевые слова (RU):

разрывные нарушения, искусственный интеллект, сверточные нейронные сети, автоэнкодеры, комбинированные архитектуры, геологические структуры

Ключевые слова (EN):

disjunctive dislocations, artificial intelligence, convolutional neural networks, autoencoders, combined architectures, geological structures

Читать статью Скачать JATS XML

Библиографический список:

  1. Короновский Н. В. Общая геология : учеб. пособие. – М. : КДУ, Добросвет, 2018. – С. 430–448.
  2. Опарин В. Н., Адушкин В. В., Киряева Т. А., Потапов В. П. Региональная кластеризация угольных месторождений Кузбасса по газодинамической активности. Ч. II: влияние геотермических, геодинамических и физико-химических процессов // Горный информационно-аналитический бюллетень. – 2018. – № 10. – С. 5–29.
  3. Смирнов А. В., Ремезов А. В. Факторы, влияющие на безопасную и высокопроизводительную работу очистных забоев [Электронный ресурс] // Вестник КузГТУ. – 2005. – № 4.1. – Режим доступа: https://cyberleninka.ru/article/n/faktory-vliyayuschie-na-bezopasnuyu-i-vysokoproizvoditelnuyu-rabotu-ochistnyh-zaboev/viewer.
  4. Семерикова И. И. Возможности методики распознавания зон трещиноватости по сейсмическим параметрам для изучения техногенных изменений состояния пород [Электронный ресурс] // Горный информационно-аналитический бюллетень. – 2011. – № 2. – Режим доступа: https://cyberleninka.ru/article/n/vozmozhnosti-metodiki-raspoznavaniya-zon-treschinovatosti-poseysmicheskim-parametram-dlya-izucheniya-tehnogennyh-izmeneniy/viewer.
  5. Басаргин А. А. Применение методов геоинформатики для изучения и оценивания риска последствий землетрясений // Вестник СГУГиТ. – 2022. – Т. 27, № 6. – С. 89–97.
  6. Бугакова Т. Ю., Шарапов А. А. Совершенствование методов визуального осмотра зданий и инженерных сооружений путем внедрения технологий компьютерного зрения и интеллектуальной обработки данных // Вестник СГУГиТ. – 2022. – Т. 27, № 6. – С. 108–119.
  7. Янкелевич С. С. Развитие тематической картографии на базе геопространственных знаний и когнитивного подхода // Вестник СГУГиТ. – 2022. – Т. 27, № 4. – С. 122–127.
  8. Бабина Л. А., Кочетков В. М. Применение методов машинного обучения для обработки геофизических данных // Изв. вузов. Геология и разведка. – 2014. – № 4. – С. 42–48.
  9. Ахмедов А. А., Адамов Д. У. Применение алгоритмов машинного обучения для разработки геофизической модели месторождений // Междунар. журнал прикладных и фундаментальных исследований. – 2017. – Т. 4, № 5. – С. 792–796.
  10. Авдеев В. А., Яблонский Л. И. Возможный вариант формализации интегрированной системы обеспечения пространственными данными // Вестник СГУГиТ. – 2023. – Т. 28, № 5. – С. 41–50.
  11. Мифтахов Р. Ф., Авдеев П. А., Гогоненков Г. Н., Базанов А. К., Ефремов И. И. Картирование тектонических нарушений на основе машинного обучения и нейронных сетей // Геология нефти и газа. – 2021. – № 3. – С. 123–136. – DOI 10.31087/0016-7894-2021-3-123-136.
  12. Темникова Е. Ю., Грубась С. И., Федосеев А. А. Литологическая интерпретация данных в ГИС в интервалах Баженовской свиты с использованием искусственных нейронных сетей // Интерэкспо ГЕО-Сибирь. XVII Междунар. науч. конгр. : Междунар. науч. конф. «Недропользование. Горное дело. Направления и технологии поиска, разведки и разработки месторождений полезных ископаемых. Экономика. Геоэкология» (Новосибирск, 19–21 мая 2021 г.) : сб. материалов в 8 т. – Новосибирск : СГУГиТ, 2021. Т. 2, № 3. – С. 3–9. – DOI 10.33764/2618-981X-2021-2-3-3-9.
  13. Канониров А. П. Сравнительный анализ применения 2D/3D сегментационных моделей в задаче выделения сейсмических горизонтов [Электронный ресурс] // Экспозиция Нефть Газ. – 2022. – № 8. – Режим доступа: https://cyberleninka.ru/article/n/sravnitelnyy-analizprimeneniya-2d-3d-segmentatsionnyh-modeley-v-zadache-vydeleniya-seysmicheskih-gorizontov/viewer.
  14. Волкова Е. Н., Казначеев П. А., Камшилин А. Н., Попов В. В. Геоэлектрические исследования процессов подготовки провалов грунта // Геофизические исследования. – 2013. – Т. 14, № 3. – С. 64–79.
  15. Кушнарев И. П. Методы изучения разрывных нарушений – М. : Недра, 1977. – С. 42–48.
  16. Исабек Т. К., Хуанган Н., Айтпаева А. Р., Шаймерденова Р. Т. Моделирование выбросоопасного состояния массива с дизъюнктивным нарушением и горной выработкой методом конечных элементов // Уголь. – 2020. – № 6. – DOI 10.18796/0041-5790-2020-6-55-61.
  17. Malhotra R. A systematic review of machine learning techniques for software fault prediction // Applied Soft Computing. – 2015. – Vol. 27. – P. 504–518. – DOI 10.1016/j.asoc.2014.11.023.
  18. Anikiev D., Birnie C., bin Waheed U., Alkhalifah T., Gu C., Verschuur D. J., Eisner L. Machine learning in microseismic monitoring // Earth-Science Reviews. – 2023. – Vol. 239. – DOI 10.1016/j.earscirev.2023.104371.
  19. Беляева Л. И. Основы геофизики : учеб. пособие. – Ухта : УГТУ, 2016. – С. 75–82.
  20. Молев М. Д. Методологические аспекты выбора комплекса геофизических методов исследования массива горных пород [Электронный ресурс] // Горный информационно-аналитический бюллетень. – 1999. – № 6. – Режим доступа: https://cyberleninka.ru/article/n/metodologicheskie-aspekty-vybora-kompleksa-geofizicheskih-metodov-issledovaniya-massivagornyh-porod/viewer.
  21. Краснов В. И., Исаев В. И. Применение методов искусственного интеллекта для анализа геофизических данных // Вестник РГГРУ. – 2018. – № 1 (86). – С. 98–105.
  22. Одабаи-Фард В. В., Пономаренко М. Р. Геодинамический мониторинг земной поверхности и объектов горнодобывающей промышленности при помощи метода радарной интерферометрии // Горный информационно-аналитический бюллетень. – 2017. – № 11. – DOI 10.25018/0236-1493-2017-11-0-59-67.
  23. Adler A., Araya-Polo M., Poggio T. Deep Recurrent Architectures for Seismic Tomography [Electronic resource] // 81st EAGE Conference & Exhibition. – 2019. – Mode of access: https://arxiv.org/ftp/arxiv/papers/1908/1908.07824.pdf.
  24. Qian K. A., Guo D., Xiang X., Qiao Y. Two-Step Method for Prediction of Fractured Tight Sandstone Reservoir in Northeast Sichuan Basin // 82nd EAGE Annual Conference Exhibition. – 2021. – DOI 10.3997/2214-4609.202112900.
  25. Fisher W., Camp T., Krzhizhanovskaya V. Anomaly Detection in Earth Dam and Levee Passive Seismic Data Using Support Vector Machines and Automatic Feature Selection // Journal of Computational Science. – 2016. – DOI 10.1016/j.jocs.2016.11.016.
  26. Акинина Н. В., Акинин М. В., Соколова А. В., Никифоров М. Б., Таганов А. И. Автоэнкодер: подход к понижению размерности векторного пространства с контролируемой потерей информации [Электронный ресурс] // Известия ТулГУ. Технические науки. – 2016. – № 9. – Режим доступа: https://cyberleninka.ru/article/n/avtoenkoder-podhod-k-ponizheniyu-razmernostivektornogo-prostranstva-s-kontroliruemoy-poterey-informatsii/viewer.
  27. Дык Буй Минь, Хуи Нгуен Нгок, Линь Лай Тхи, Хю Нгуен Ба, Чыонг Нгуен Динь, Лам Нгуен Чонг. Сжатие данных [Электронный ресурс] // Проблемы науки. – 2017. – № 1 (83). – Режим доступа: https://cyberleninka.ru/article/n/szhatie-dannyh/viewer.
  28. Сафронов Д. А., Кацер Ю. Д., Зайцев К. С. Поиск аномалий с помощью автоэнкодеров [Электронный ресурс] // International Journal of Open Information Technologies. – 2022. – № 8. – Режим доступа: https://cyberleninka.ru/article/n/poisk-anomaliy-s-pomoschyu-avtoenkoderov/viewer.
  29. Намиот Д. Е., Ильюшин Е. А. Порождающие модели в машинном обучении [Электронный ресурс] // International Journal of Open Information Technologies. – 2022. – № 7. – Режим доступа: https://cyberleninka.ru/article/n/porozhdayuschie-modeli-v-mashinnom-obuchenii/viewer.

Образец цитирования:

Степанов И. Ю. Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки // Вестник СГУГиТ. – 2024. – Т. 29, № 2. – С. 108–117. – DOI 10.33764/2411-1759-2024-29-2-108-117