Применение машинного обучения для построения структурных границ разреза по потенциальным полям
Номер: 38 Год: 2023 Страницы: 18-29
Номер: 38 Год: 2023 Страницы: 18-29
УДК: 550.31, 004.89
EDN: QKYCJY
Автор(ы):
Шклярук Алексей Дмитриевич1, e-mail: alexsh9898@ yandex.ru
Кузнецов Кирилл Михайлович1, e-mail: kuznetsovkm@my.msu.ru
Учреждения:
1 - Московский государственный университет имени М.В. Ломоносова, г. Москва, Россия
Аннотация:
В статье рассмотрены подходы по восстановлению границ слоев контрастных по плотностным и магнитным свойствам на основе машинного обучения. В работе продемонстрированы алгоритмы на основе многослойных нейронных сетей прямого распространения для решения задачи восстановления структурных границ по потенциальным полям. Для их обучения предлагается использовать либо профили, либо области с уже известным положением искомой границы. Подход основан на построении регрессионных зависимостей между гравитационными и магнитными полями, а также их трансформантами и отражающими горизонтами, определенными, например, по результатам интерпретации данных сейсморазведки.
Ключевые слова: машинное обучение, нейронные сети, структурные горизонты, комплексирование геофизических методов, гравиразведка, магниторазведка, геолого-геофизические модели
Сведения об источниках финансирования: -
1 - Московский государственный университет имени М.В. Ломоносова, г. Москва, Россия
Аннотация:
В статье рассмотрены подходы по восстановлению границ слоев контрастных по плотностным и магнитным свойствам на основе машинного обучения. В работе продемонстрированы алгоритмы на основе многослойных нейронных сетей прямого распространения для решения задачи восстановления структурных границ по потенциальным полям. Для их обучения предлагается использовать либо профили, либо области с уже известным положением искомой границы. Подход основан на построении регрессионных зависимостей между гравитационными и магнитными полями, а также их трансформантами и отражающими горизонтами, определенными, например, по результатам интерпретации данных сейсморазведки.
Ключевые слова: машинное обучение, нейронные сети, структурные горизонты, комплексирование геофизических методов, гравиразведка, магниторазведка, геолого-геофизические модели
Сведения об источниках финансирования: -
Шклярук, А. Д. Применение машинного обучения для построения структурных границ разреза по потенциальным полям / А. Д. Шклярук, К. М. Кузнецов // Гелиогеофизические исследования. – 2023. – № 38. – С. 18-29. – DOI 10.5425/2304-7380_2022_38_18. – EDN QKYCJY.
Application of machine learning to recover structural boundaries from potential fields
Number: 38 Year: 2023 Pages: 18-29
Number: 38 Year: 2023 Pages: 18-29
Shklyaruk Alexey Dmitrievich1, e-mail: alexsh9898@ yandex.ru
Kuznetsov Kirill Mikhailovich1, e-mail: kirillkuz90@yandex.ru
Institutions:
1 - Lomonosov Moscow State University, Moscow, Russia
Abstract
The paper considers approaches to the reconstruction of layer boundaries of contrasting density and magnetic properties based on machine learning. The paper demonstrates algorithms based on multilayer neural networks of direct propagation for solving the problem of structural boundaries reconstruction by potential fields. To train them, we propose to use either profiles or regions with already known position of the desired boundary. The approach is based on the construction of regression relationships between gravitational and magnetic fields, as well as their transformants and reflecting horizons, determined, for example, by the results of seismic data interpretation.
Keywords: machine learning, neural networks, structural horizons, combining geophysical methods, gravity survey, magnetic survey, geological and geophysical models
Information about sources of financing: -
1 - Lomonosov Moscow State University, Moscow, Russia
Abstract
The paper considers approaches to the reconstruction of layer boundaries of contrasting density and magnetic properties based on machine learning. The paper demonstrates algorithms based on multilayer neural networks of direct propagation for solving the problem of structural boundaries reconstruction by potential fields. To train them, we propose to use either profiles or regions with already known position of the desired boundary. The approach is based on the construction of regression relationships between gravitational and magnetic fields, as well as their transformants and reflecting horizons, determined, for example, by the results of seismic data interpretation.
Keywords: machine learning, neural networks, structural horizons, combining geophysical methods, gravity survey, magnetic survey, geological and geophysical models
Information about sources of financing: -