vestnik Журнал "Вестник Сибирского государственного университета геосистем и технологий (СГУГиТ)" 2411-1759 ФГБОУ ВО "Сибирский государственный университет геосистем и технологий (СГУГиТ)" RU https://vestnik.sgugit.ru 10.33764/2411-1759-2024-29-2-108-117 Картография и геоинформатика Использование методов машинного обучения в геоинформационных моделях при решении задач геофизической разведки И. Ю. Степанов Степанов И. Ю. Кемеровский государственный университет, г. Кемерово, Российская Федерация 2024 29 2 108 117 © И. Ю. Степанов, 2024 2024 И. Ю. Степанов Эта статья дотупна по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. 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. разрывные нарушения искусственный интеллект сверточные нейронные сети автоэнкодеры комбинированные архитектуры геологические структуры disjunctive dislocations artificial intelligence convolutional neural networks autoencoders combined architectures geological structures 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.