Вестник Камчатской региональной ассоциации «Учебно-научный центр»
Институт вулканологии и сейсмологии ДВО РАН
Возможности искусственных нейронных сетей при решении обратных задач электроразведки методом вертикального электрического зондирования
PDF

Ключевые слова

электроразведка
вертикальное электрическое зондирование
обратная задача
нейронные сети

Раздел

Работы молодых ученых

Статистика

Просмотров: 32
Скачиваний: 6

Как цитировать

1. Петросян Р., Рыжов Н. Возможности искусственных нейронных сетей при решении обратных задач электроразведки методом вертикального электрического зондирования // Вестник КРАУНЦ. Серия: Науки о Земле. 2024. № 2 (62). C. 109–119. https://doi.org/10.31431/1816-5524-2024-2-62-109-119.

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.

https://doi.org/10.31431/1816-5524-2024-2-62-109-119
PDF

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.

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Copyright (c) 2024 Р.Н. Петросян, Н.В. Рыжов