Развитие и применение нейросетевой технологии в решении задач геодинамики
https://doi.org/10.21285/2227-2917-2023-3-516-525
EDN: MUQFOT
Аннотация
Цель этой работы состоит в поиске наиболее эффективного, удобного в использовании метода сейсморайонирования, позволяющего в режиме реального времени учитывать происходящие изменения среды. Обосновывается актуальность и необходимость решения данной проблемы. Приводятся характеристики и особенности существующих в настоящее время методик микрорайонирования. Обсуждается постановка задачи сейсмического микрорайонирования. Определяются два направления решения задачи – традиционный подход и нейросетевой. Разбираются преимущества и недостатки обоих подходов. Приводятся существенные аргументы в пользу применения нейросетевого подхода, определяется направление поиска решения. Представлен иллюстрированный пример решения промежуточной задачи геофизики с использованием нейросетевого подхода. На данном этапе исследований осуществлен поиск сетей, обеспечивающий достаточную точность для получения картин геологических срезов, проведен анализ прогнозируемых результатов для ряда нейросетей. Наиболее достоверные результаты дают нейросети на основе многослойного персептрона. Следующим этапом работ предполагается разработка алгоритма использования нейросетевой технологии для построения карты сейсмического микрорайонирования.
Ключевые слова
Об авторе
О. М. Максимова
Сибирский федеральный университет
Россия
Россия
Максимова Ольга Михайловна, к.т.н., доцент, доцент кафедры строительных конструкций и управляемых систем
660041, г. Красноярск, пр. Свободный, 79
Список литературы
1. Гаврилова Ю.О., Куренкова С.А. Теоретические и региональные проблемы геодинамики: сб. науч. ст. М.: Наука, 1999. 279 с.
2. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ИД «Вильямс», 2006 г. 1104 с.
3. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2003. 863 с.
4. Паклин Н. Анализ геофизических данных // Loginom Company. BaseGroup Labs [Электронный ре- сурс]. URL: https://basegroup.ru/community/articles/geophysics/ (13.03.2005).
5. Абовский Н.П., Деруга А.П., Максимова О.М., Светашков П.А. Нейроуправляемые конструкции и системы. Кн. 13. Серия: Нейрокомпьютеры и их применение. М: Радиотехника, 2003. 367 с. EDN: AHCOYZ.
6. Максимова О.М. Neuro-net forecasting as evolutionary intellectual process // XVI Международная конференция по нейрокибернетике: сб. докл. (г. Ростов-на-Дону, 24–28 сентября 2012). Ростов н/Д: Изд-во Южного федерального университета, 2012. Т. 2. С. 237–240.
7. Максимова О.М. Нейросетевое прогнозирование в задачах динамики строительных конструкций // Вестник Иркутского государственного технического университета. 2013. № 3 (74). С. 60–66. EDN: PYAKEL.
8. Максимова О.М. Развитие и применение нейросетевых технологий для задач механики и строительных конструкций // Вестник Иркутского государственного технического университета. 2013. № 8 (79). С. 81–89. EDN: RASWYX.
9. Maximova O.M. The evolutionary modeling of neural-net forecasting // European Science and Technology: Х International Research and Practice Conference (Munich 28-29 May, 2015). Waldkraiburg – Munich: Vela- Verlag; Strategic Studies Institute, 2015. Vol. 2. P. 332–336.
10. Maximova O.M. Neural-net modeling for direct and inverse problems of shell theory // XII Interna-tional scientific and research conference on Topical issues in Aeronautics and Astronautics: IOP Con-ference Series: materials science and engineering (Krasnoyarsk, 11–15 April 2016). 2016. Vol. 155. P. 012031.
11. Песегов Д.А. Геоинформационное и картографическое обеспечение задач регионального и муниципального управления // ТОРИНС [Электронный ресурс]. URL: http://www.torins.ru/demo/download/NeuroGIS.pdf (10.03.2006).
12. Barrile V., Meduri G.M., Bilotta G., Monardi Trungadi U. GPS-GIS and neural networks for monitoring control, cataloging the prediction and prevention in tectonically active areas // Procedia – Social and Behavioral Sciences. 2016. Vol. 223. P. 909–914. https://doi.org/10.1016/j.sbspro.2016.05.314.
13. Chakraborty A., Goswami D. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN) // Arabian Journal of Geosciences. 2017. Vol. 10. P. 385. https://doi.org/10.1007/s12517-017-3167-x.
14. Miljanović M., Ninkov T., Sušić Z., Tucikesic S. Forecasting geodetic measurements using finite impulse response artificial neural networks // Indian journal of geo-marine sciences. 2017. Vol. 46. Iss. 9. P. 1743– 1750.
15. Dramsch J.S., Christensen A.N., MacBeth C., Lüthje M. Deep unsupervised 4D seismic 3D time-shift estimation with convolutional neural networks // IEEE Transactions on Geoscience and Remote Sensing. 2019. Vol. 60. No. 57. P. 1–16. https://doi.org/10.1109/TGRS.2021.3081516.
16. Mosser L., Oliveira R., Steventon M. Probabilistic seismic interpretation using Bayesian neural networks // 81st conference and exhibition (Juny 2019). European Association of Geoscientists & Engineers, 2019. Vol. 2019. P. 1–5. https://doi.org/10.3997/2214-4609.201901510.
17. Xu K., Darve E.C. The neural network approach to inverse problems in differential equations // ArXiv. 2019. P. 119582714.
18. Puzyrev V. Deep learning electromagnetic inversion with convolutional neural networks // Geophysical Journal International. 2019. Vol. 218. Iss. 2. P. 817–832. https://doi.org/10.1093/gji/ggz204.
19. Li Shucai, Liu Bin, Ren Yuxiao, Chen Yangkang, Yang Senlin, Wang Yunhai, Jiang Peng. Deep learning Inversion of Seismic Data // IEEE Transactions On Image Processing. 2019. Vol. 58. Iss. 3. P. 2135–2149. https://doi.org/10.1109/TGRS.2019.2953473.
20. Lei L., Yu L., Xiong Z., Han L., Wei X., Shifan Z. Convolutional recurrent neural networks based waveform classification in seismic facies analysis // SEG Technical Program Expanded Abstracts. 2019. P. 2599– 2603. https://doi.org/10.1190/segam2019-3215237.1.
21. Wu H., Zhang B., Lin T., Cao D., Lou Y. Semiautomated seismic horizon interpretation using the encoder-decoder convolutional neural network // Geophysics. 2019. Vol. 84 (6). P. B403–B417. https://doi.org/10.1190/geo2018-0672.1.
22. Zhu W., Mousavi S.M., Beroza G.C. Seismic signal denoising and decomposition using deep neural networks // IEEE Transactions on Geoscience and Remote Sensing. 2019. Vol. 57. No. 11. P. 9476–9488. https://doi.org/10.1109/TGRS.2019.2926772.
23. Wu X., Geng Z., Shi Y., Pham N., Fomel S., Caumon G. Building realistic structure models to train convolutional neural networks for seismic structural interpretation // Geophysics. 2020. Vol. 85. P. WA27-WA39. https://doi.org/10.1190/geo2019-0375.1.
24. Moseley B., Nissen-Meyer T., Markham A. Deep learning for fast simulation of seismic waves in complex media // Solid Earth. 2020. Vol. 11. No. 4. P. 1527–1549. https://doi.org/10.5194/se-11-1527-2020.
25. Hu Zh., Liu Sh., Hu X., Fu L., Qu J., Wang H., Chen Qiu. Inversion of magnetic data using deep neural networks // Physics of the Earth and Planetary Interiors. 2021. Vol. 311. P. 106653. https://doi.org/10.1016/j.pepi.2021.106653.
26. Шимелевич М.И. Применение методов искусственного интеллекта (нейронных сетей) в обратных нелинейных задачах геофизики с приложением к геоэлектрике // VIII Всероссийская школа-семинар по электромагнитным зондированиям Земли имени М.Н. Бердичевского и Л.Л. Ваньяна (ЭМЗ-2021): сб. тр. (г. Москва, 04–07 октября 2021 г.). Москва: Институт физики Земли им. О.Ю. Шмидта РАН, 2021. C. 20–26. EDN: BVHFEE.
27. Галиев Р.Р., Абдрахимов Р.И. Построение концептуальной модели осадконакопления отложений тюменской свиты на основе данных бурения и сейсморазведочных исследований // Вестник Академии наук Республики Башкортостан. 2022. № 4 (108). С. 39–46. https://doi.org/10.24412/1728-5283_2022_4_39_46. EDN: GALUBA.
28. Галиев Р.Р., Абдрахимов Р.И. Анализ изменения характеристик сейсмической записи и условий формирования Ачимовских отложений // Вестник Академии наук Республики Башкортостан. 2023. Т. 46. № 1 (109). С.40-47. https://doi.org/10.24412/1728-5283_2023_1_40_47. EDN: PFCRBI.
29. Гадыльшина К.А., Лисица В.В., Вишневский Д.М., Гадыльшин К.Г. Искусственная нейронная сеть, уменьшающая численную дисперсию, для постобработки результатов сейсмического моделирования // Геофизические технологии. 2022. № 1. С. 99-109. https://doi.org/10.18303/2619-1563-2022-1-99. EDN: VJDPHV.
Рецензия
Для цитирования:
Максимова О.М. Развитие и применение нейросетевой технологии в решении задач геодинамики. Известия вузов. Инвестиции. Строительство. Недвижимость. 2023;13(3):516-525. https://doi.org/10.21285/2227-2917-2023-3-516-525. EDN: MUQFOT
For citation:
Maximova O.M. Development and application of neural network technology in solving geodynamic problems. Izvestiya vuzov. Investitsii. Stroitelstvo. Nedvizhimost. 2023;13(3):516-525. (In Russ.) https://doi.org/10.21285/2227-2917-2023-3-516-525. EDN: MUQFOT
Просмотров:
155
Послать статью по эл. почте 