Ключевые слова
вертикальное электрическое зондирование
обратная задача
нейронные сети
Раздел
Аннотация
Представлен алгоритм решения обратной задачи электроразведки методом вертикального электрического зондирования (ВЭЗ) с помощью нейронных сетей (НС). Использование НС направлено на выявление сложных закономерностей и зависимостей, которые могут быть недоступны для традиционных методов количественной интерпретации данных электроразведки. Алгоритм включает в себя формирование обучающей выборки; обучение НС и непосредственно получение решений; комбинацию вариантов решений, найденных с помощью НС и выбор оптимального решения обратной задачи ВЭЗ. Алгоритм апробирован на модельных данных и практических материалах с целью оценки его возможностей. Геоэлектрические разрезы, построенные с применением НС по результатам полевых наблюдений, сравнивались с результатами количественной интерпретации, выполненной в программе «ЗОНД». Охарактеризованы преимущества и недостатки созданного алгоритма решения обратной задачи ВЭЗ, а также пути его дальнейшего развития.
Библиографические ссылки
Балк П.И., Долгаль А.С. Аддитивные технологии решения обратных задач гравиразведки и магниторазведки. М.: Научный мир, 2020. 455 с. [Balk P.I., Dolgal A.S. Additive methods for solving inverse problems of gravity and magnetic prospecting. Moscow: Nauchnyy mir. 2020. 455 p.].
Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / перевод с анг., М.: ДМКПресс, 2018, 652 с. [Goodfellow Ya., Bengio Yo., Courville A. Deep Learning. Moscow: MIT Press, 2016. 781 p.].
Долгаль А.С., Тайницкий А.А., Христенко Л.А. Реализация концепции минимизации эмпирического риска в обратной задаче ВЭЗ // ВестникКРАУНЦ. Науки о Земле. 2020. № 1. Вып. 45. С. 38–48 [Dolgal A.S., Tainitsky A.A., Khristenko L.A. The implementation of the concept of empirical riskminimization in the VES inverse problems // Vestnik KRAUNTs. Earth Sciences. 2020. № 1 (45). P. 38–48 (in Russian)].
Костиков Д.В. Инструментальные средства интерпретации геофизических исследований скважин на основе преобразованных каротажных диаграмм с помощью многослойной нейронной сети: Автореф. дисс. канд. техн. наук. Ижевск, 2007, 24 с. [Kostikov D.V. Instrumental’nyye sredstva interpretatsii geofizicheskikh issledovaniy skvazhin na osnove preobrazovanny khkarotazhnykh diagramm s pomoshch’yu mnogosloynoy neyronnoy seti: Avtoref. diss. kand. tekhn. nauk. Izhevsk, 2007, 24 p.].
Колесников В.П. Основы интерпретации электрических зондирований. М.: Научный мир, 2007. 248 с. [Kolesnikov V.P. Basics of interpretation of electrical soundings. Moscow: Nauchnyy mir. 2007. 248 p.].
Московский И.Г., Балабан О.М., Федорова О.С. и др. Применение нейронных сетей при интерпретации данных электромагнитных зондирований вертикально-трещиноватых сред // Науковедение. 2015. Т. 7. № 1. С. 1–12. https://doi.org/10.15862/05TVN115 [Moskovsky I.G., Balaban O.M., Fedorova O.S. et al. Application of neural networks at interpretation of these electromagnetic sounding of vertically jointed environments // Naukovedenie 2015. V. 7. № 1. P. 1–12 (in Russian)].
Оборнев И.Е. Повышение эффективности интерпретации данных МТЗ на основе использования нейронных палеток: Автореф. дисс. канд. физ.-мат. наук. Москва, 2013. 18 с. [Obornev I.Ye. Povysheniye effektivnosti interpretatsii dannykh MTZ na osnove ispol’zovaniya neyronnykh paletok: Avtoref. diss. kand. fiz.-mat. nauk. Moscow, 2013, 18 p. (in Russian)].
Оборнев Е.А., Оборнев И.Е., Родионов Е.А., Шимилевич М.И. Применение нейронных сетей в нелинейных обратных задачах геофизики // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 6. С. 1053–1065. https://doi.org/10.31857/S0044466920060071 [Obornev Ye.A., Obornev I.Ye., Rodionov Ye.A., Shimelevich M.I. Application of neural networks in nonlinear inverse problems of geophysics // Computational Mathematics and Mathematical Physics. 2020. V. 60. Iss. 6. P. 1025−1036. https://doi.org/10.1134/S096554252006007X].
Родина С.Н., Силкин К.Ю. Применение нейросетевого подхода при интерпретации каротажных данных // Вестник ВГУ. Геология. 2007. № 7. С. 184−188 [Rodina S.N.,Silkin K.Yu. Application of artificial neural networks for well-log data interpretation // Vestnik VGU. Geologiya. 2007. № 7. P. 184–188 (in Russian)].
Степанова И.Э., Керимов И.А. Раевский Д.Н. Щепетилов А.В. О совершенствовании методов обработки больших объемов данных в геофизике и геоморфологии на основе модифицированных S- и F-аппроксимаций // Физика Земли. 2020. № 3. С. 82–97. https://doi.org/10.31857/S0002333720030114 [Stepanova I.E., Kerimov I.A., Raevskiy D.N. et al. Improving the methods for processing large data in geophysics and geomorphology based on the modified S- and F-approximations // Izvestiya, Physics of the Solid Earth. 2020. Iss. 3. P. 82–97. https://doi.org/10.1134/S1069351320030118].
Шайбаков Р.А. Обоснование комплексной методики идентификации трехмерных геологических объектов: Автореф. дисс. канд. геол.-мин. наук. Уфа, 2014, 25 с. [Shaybakov R.A. Obosnovaniye kompleksnoy metodiki identifikatsii trekhmernykh geologicheskikh ob»yektov: Avtoref. diss. kand. geol.-min. nauk. Ufa, 2014, 25 p.].
Шимелевич М.И. Применение методов искусственного интеллекта (нейронных сетей) в обратных нелинейных задачах геофизики с приложением к геоэлектрике // VIII Всероссийская школа-семинар ЭМЗ-2021. Москва. 2021. С. 20–26 [Shimelevich M.I. Primeneniye metodov iskusstvennogo intellekta (neyronnykh setey) v obratnykh nelineynykh zadachakh geofiziki s prilozheniyem k geoelektrike // VIII Vserossiyskaya shkola-seminar EMZ-2021. Moscow. 2021. P. 20–26].
Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Радионов Е.А. Алгоритм решения обратной задачи геоэлектрики на основе нейросетевой аппроксимации // Сибирский журнал вычислительной математики. 2018. Т. 21. № 4. С. 451–468. https://doi.org/10.15372/SJNM20180408 [Shimelevich M.I.,Obornev Ye.A., Obornev I.Ye., Rodionov Ye.A. An algorithm for solving inverse geoelectrics problems based on the neural network approximation // Numerical analysis and applications. 2018. V. 21. Iss. 4. P. 451–468. https://doi.org/10.1134/S1995423918040080].
Clevert D.-A., Unterthiner T., Hochreiter S. Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs) // International Conference on Learning Representations. 2016. https://doi.org/10.48550/arXiv.1511.07289
Keras [Электронный ресурс]. URL: https://keras.io/ (accessed 15.10.2023).
Rücker C., Günther T., Wagner F.M. pyGIMLi: An open-source library for modelling and inversion in geophysics // Computers and Geosciences. 2017. P. 106–123, https://doi.org/10.1016/j.cageo.2017.07.011.
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Copyright (c) 2024 Р.Н. Петросян, Н.В. Рыжов