Список литературы: 1. Мельниченко И. А. Трехмерное геомоделирование границ литологических разностей железорудных месторождений на основе пространственно-координированных данных. Автореферат диссертации на соискание ученой степени канд. техн. наук. — М.: НИТУ «МИСиС», 2021. — 30 с.
2. 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.
3. 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. — СВ 27. — С. 65—72. DOI: 10.25018/0236-1493-2018-6-27-65-72.
4. Громов Е. В., Торопов Д. А. Повышение точности подсчета запасов с применением 3D моделирования (на примере месторождения «Партомчорр») // Горный информационно-аналитический бюллетень. — 2017. — СВ 23. — С. 158—166. DOI: 10.25018/02361493-2017-10-23-158-166.
5. Лихман А. А. Геологическая блочная модель как главный актив горнодобывающего предприятия // Недропользование XXI век. — 2020. — № 4 (87). — С. 170—175.
6. 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.
7. 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.
8. 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: 10.26730/2587-5574-2018-1-46-58.
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. Войтеховский Ю. Л., Захарова А. А. Петрографические структуры и равновесия Харди-Вайнберга // Записки Горного института. — 2020. — Т. 242. — С. 133—138. DOI: 10.31897/PMI.2020.2.133.
11. 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.
12. Абрамян Г. О., Абрамян А. Г. О свойствах бинарных функций переходных вероятностей (в приложении к геометрии недр) // Маркшейдерский вестник. — 2019. — № 3(130). — С. 57—60.
13. 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.
14. 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.
15. Воронин А. Ю. Геологическое районирование с позиции распознавания образов // Геоинформатика. — 2008. — № 1. — С. 13—18.
16. Asfahani Jamal, Ghani B. Abdul Ghani Self organizing map neural networks approach for lithologic interpretation of nuclear and electrical well logs in basaltic environment, Southern Syria // Applied Radiation and Isotopes. 2018, vol. 137, pp. 50—55. DOI: 10.1016/j.apradiso.2018.03.008.
17. Junxi Chen, Jorge Pisonero, Sha Chen, Xu Wang, Qingwen Fan, Yixiang Duan Convolutional neural network as a novel classification approach for laser-induced breakdown spectroscopy applications in lithological recognition // Spectrochimica Acta. Part B: Atomic Spectroscopy. 2020, vol. 166, article 105801. DOI: 10.1016/j.sab.2020.105801.
18. Valentin M. B., Bom C. R., Coelho J. M., Correia M. D., M.P. de Albuquerque, M.P. de Albuquerque, Fari E. L. A deep residual convolutional neural network for automatic lithological facies identification in Brazilian pre-salt oilfield wellbore image logs // Journal of Petroleum Science and Engineering. 2019, vol. 179, pp. 474—503. DOI: 10.1016/j.petrol.2019.04.030.
19. Войтеховский Ю. Л., Захарова А. А., Климоченков М. Д. Моделирование петрографических структур. Статья 2 // Вестник геонаук. — 2020. — № 12. — C. 32—35. DOI: 10.19110/geov.2020.12.3.
20. 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.
21. Ameur O.-Zaimeche, Zeddouri A., Heddam S., Kechiched R. Lithofacies prediction in non-cored wells from the Sif Fatima oil field (Berkine basin, southern Algeria). A comparative study of multilayer perceptron neural network and cluster analysis-based approaches // Journal of African Earth Sciences. 2020, vol. 166, article 103826. DOI: 10.1016/j.jafrearsci.2020.103826.
22. Войтеховский Ю. Л., Захарова В. В. Моделирование петрографических структур // Вестник геонаук. — 2020. — № 10. — С. 38—42. DOI: 10.19110/geov.2020.10.5.
23. Imamverdiyev Y., Sukhostat L. Lithological facies classification using deep convolutional neural network // Journal of Petroleum Science and Engineering. 2019, vol. 174, pp. 216— 228. DOI: 10.1016/j.petrol.2018.11.023.
24. Yufeng Gu, Zhidong Bao, Xinmin Song, Shirish Patil, Kegang Ling 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. 179, pp. 966—978. DOI: 10.1016/j.petrol.2019.05.032.