Обработка структурных геологических моделей алгоритмами искусственного интеллекта

Представлен пример обучения нейронной сети, способной обрабатывать и классифицировать триангуляционные каркасы структурных геологических моделей. Классификация каркасов осуществляется на основании собственных расчетных значений векторов литологических поверхностей. Точность модели составила 98,2%, что подтверждает возможность использования алгоритма машинного обучения для классификации и выделения объектов, позволяет увеличить скорость обработки данных и снизить вероятность ошибок, обусловленных влиянием человеческого фактора. После выделения каркасов тектонических нарушений и литологических контактов из структурных геологических моделей по каждому каркасу определяется дополнительная информация о положении в пространстве (средний угол падения, азимут падения) и характеристиках поверхности, таких как неровность и волнистость, что позволяет использовать полученные данные для выполнения кинематического анализа и решения задач сдвижений горных пород. В качестве исходных данных в обучаемой модели используются коэффициенты Вудкока и собственные расчетные значения векторов. Данные характеристики могут применяться для уточненной оценки состояния блочного массива и для определения степени сцепления тектонических нарушений, что позволяет повысить точность прогнозных моделей, и в дальнейшем использоваться для обучения моделей, описывающих параметры сдвижения налегающей толщи горных пород.

Сергунин М. П., Еременко В. А. Обработка структурных геологических моделей алгоритмами искусственного интеллекта // Горный информационно-аналитический бюллетень. – 2023. – № 9. – С. 56–67. DOI: 10.25018/0236_1493_2023_9_0_56.

Сергунин Максим Петрович — начальник отдела Центра геодинамической безопасности, Заполярный филиал ПАО «ГМК «Норильский никель», e-mail: SerguninMP@nornik.ru, ORCID ID: 0000-0002-7774-6826,
Еременко Виталий Андреевич — д-р техн. наук, профессор РАН, директор научно-исследовательского центра «Прикладная геомеханика и конвергентные горные технологии», профессор кафедры физических процессов горного производства и геоконтроля, Горный институт НИТУ «МИСиС», e-mail: prof.eremenko@gmail.com, ORCID ID: 0000-0003-1478-6916.

Сергунин М.П. e-mail: SerguninMP@nornik.ru.

1. Мельниченко И. А., Кожухов А. А., Омельченко Д. Р., Мосейкин В. В. Построение трехмерной модели месторождения с использованием принципов блочного моделирования и искусственных нейронных сетей // Горный информационно-аналитический бюллетень. — 2022. — № 10. — С. 5—19. DOI: 10.25018/0236_1493_2022_10_0_5.

2. Сергунин М. П., Еременко В. А. Обучение нейронной сети предсказывать параметры сдвижения горных пород налегающей толщи на основании данных о трещиноватости массива на примере рудника «Заполярный» // Горный информационно-аналитический бюллетень. — 2019. — № 10. — С. 106—116. DOI: 10.25018/0236-1493-2019-10-0-106-116.

3. Сергунин М. П., Дарбинян Т. П. Выделение параметров трещиноватости массива горных пород из геологических моделей, построенных в современных геоинформационных системах (на примере Micromine) // Горный журнал. — 2020. — № 1. — С. 39—42. DOI: 10.17580/gzh.2020.01.07.

4. Сергунин М. П., Дарбинян Т. П., Шиленко С. Ю., Гринчук И. П. Обработка цифровой поверхности рудоспуска на предмет выделения направлений главных напряжений и влияния существующей трещиноватости массива // Горный журнал. — 2020. — № 6. — С. 28—32. DOI: 10.17580/gzh.2020.06.04.

5. Ruehlicke B., Carter M. J., Ottesen C. G. The statistical eigenvector analysis technique (SEAT) for dip data analysis // Marine and Petroleum Geology. 2019, vol. 110, pp. 856—870. DOI: 10.1016/j.marpetgeo.2019.07.027.

6. Дэвис Д. С. Статистический анализ данных в геологии. — М.: Недра, 1990. — 319 с.

7. Мардиа К. Статистический анализ угловых наблюдений: пер. с англ. — М.: Наука, 1978. — 240 с.

8. Чини Р. Ф. Статистические методы в геологии: пер. с англ. — М.: Мир, 1986. — 189 с.

Литературу с п. 9 по п. 19 смотри в REFERENCES.

20. Соснин А. С., Суслова И. А. Функции активации нейросети: сигмоида, линейная, ступенчатая, relu, tahn / Наука. Информатизация. Технологии. Образование: Материалы XII Международной научно-практической конференции. — Екатеринбург: РГППУ, 2019. — С. 237—246.

21. Tharwat A. Classification assessment methods // Applied Computing and Informatics. 2021, vol. 17, no. 1, pp. 168—192. DOI: 10.1016/j.aci.2018.08.003.