Список литературы: 1. Mahmoodi O., Smith R. S., Tinkham D. K. Supervised classification of down-hole physical properties measurements using neural network to predict the lithology // Journal of Applied Geophysics. 2016. Vol. 124. Pp. 17–26. DOI: 10.1016/j.jappgeo.2015.11.006.
2. Сорокина А. С., Загибалов А. В. Практическое применение программного обеспечения Mineframe при построении блочной модели и подсчете запасов золоторудных месторождений // Горный информационно-аналитический бюллетень. — 2018. — CB 27. — С. 65–72. DOI: 10.25018/0236-1493-2018-6-27-65-72.
3. Громов Е. В., Торопов Д. А. Повышение точности подсчета запасов с применением 3D моделирования (на примере месторождения «Партомчорр») // Горный информационно-аналитический бюллетень. — 2017. — CB 23. — С. 158–166. DOI: 10.25018/0236-14932017-10-23-158-166.
4. Лихман А. А. Геологическая блочная модель как главный актив горнодобывающего предприятия // Недропользование XXI век. — 2020. — № 4 (87). — С. 170–175.
5. Аленичев В. М., Аленичев М. В. Повышение достоверности геоинформационного обеспечения при отработке техногенных месторождений // Горный информационно-аналитический бюллетень. — 2019. — № 11. — С. 172–179. DOI: 10.25018/0236-1493-201911-0-172-179.
6. Щенкова Е. С. Использование статистического и геостатистического аппарата при блочном моделировании (на примере золоторудного месторождения жильного типа) / Геология в развивающемся мире: сборник научных статей. — Пермь, 2019. — С. 517—520.
7. Чеклар М., Рыбар П., Михок Я., Энгел Я. Экономическая оценка месторождений полезных ископаемых на примерах блочных моделей открытых горных работ // Экономика и управление инновациями. — 2018. — № 1. — С. 46–59. DOI: 10.26730/2587-5574-20181-46-58.
8. Ripley B. D. Pattern recognition and neural networks. Cambridge University Press, 2014. 403 p.
9. Wang K., Zhang L. Predicting formation lithology from log data by using a neural network // Petroleum Science. 2008. Vol. 5. no 3. Pp. 242–246. DOI: 10.1007/s12182-008-0038-9.
10. Wood D. A. Lithofacies and stratigraphy prediction methodology exploiting an optimized nearest-neighbour algorithm to mine well-log data // Marine and Petroleum Geology. 2019. Vol. 110. Pp. 347–367. DOI: 10.1016/j.marpetgeo.2019.07.026.
11. Sahoo S., Jha M. K. Pattern recognition in lithology classification: modeling using neural networks, self-organizing maps and genetic algorithms // Hydrogeology Journal. 2017. Vol. 25. No 2. Pp. 311–330. DOI: 10.1007/s10040-016-1478-8.
12. Gu Y., Bao Z., Song X., Patil S., Ling K. Complex lithology prediction using probabilistic neural network improved by continuous restricted Boltzmann machine and particle swarm optimization // Journal of Petroleum Science and Engineering. 2019. Vol. 149. Pp. 966–978. DOI: 10.1016/j.petrol.2019.05.032.
13. Воронин А. Ю. Геологическое районирование с позиции распознавания образов // Геоинформатика. — 2008. — № 1. — С. 13–18.