Россия
Россия
г. Москва и Московская область, Россия
Несмотря на внушительный перечень примеров интеграции теории распознавания образов в различные мероприятия при освоении месторождений нефти и газа, авторы предлагают принципиально новый подход применения искусственного интеллекта. В работе подробно рассматривается алгоритм поиска зон экстремальности, основанный на дискретном математическом анализе (ДМА) – применительно к задаче выявления геологических опасностей. Применение метода показано на моделях физических свойств пород, восстановленных по данным сейсморазведки. Потенциально он так же может быть применен и непосредственно на волновом сейсмическом поле для выявления объектов.
Дискретный математический анализ, плотность, геологический разрез, вечная мерзлота, содержание газа
1. Аверкин А. Н., Батыршин И. З., Блишун А. Ф., Силов В. Б., Тарасов В. Б. Нечеткие множества в моделях управления и искусственного интеллекта. — Наука, Москва, 1986.
2. Колюбакин А. А., Росляков А. Г., Миронюк С. Г., Пирогова А. С., Токарев М. Ю., Ксенофонтова М. А. Изучение приоритетных геологических опасностей при подготовке к поисково-разведочным работам на шельфе моря Лаптевых // Инженерные Изыскания. — 2017. — № 10. — С. 36—52. — DOI: 10.25296/1997-8650-2017-10-36-52.
3. Миронюк С. Г., Росляков А. Г. Мерзлые грунты шельфа арктических морей: подходы к обнаружению и изучению // Фундаменты. — 2021. —№ 1. — 17—21.
4. Пирогова А. С., Тихоцкий С. А., Токарев М. Ю., Сучкова А. В. Прогноз упруго-прочностных свойств придонных грунтов на основе инверсии данных сейсморазведки сверхвысокого и ультравысокого разрешения // Геофизические процессы и биосфера. — 2019. — Т. 18, № 4. — С. 191—202. — DOI: 10.21455/gpb2019.4-16.
5. Agayan S., Bogoutdinov S., Kamaev D., Kaftan V., Osipov M., Tatarinov V. Theoretical Framework for Determination of Linear Structures in Multidimensional Geodynamic Data Arrays // Applied Sciences. — 2021. — Vol. 11, no. 24. — P. 11606. — DOI: 10.3390/app112411606.
6. Agayan S., Bogoutdinov S., Krasnoperov R. Short introduction into DMA // Russian Journal of Earth Sciences. — 2018. — Vol. 18, no. 2. — P. 1–10. — DOI: 10.2205/2018ES000618.
7. Jaglan H., Kocsis G., Lakhlifi A., Groot P. de. Experiences with Machine Learning and Deep Learning Algorithms for Seismic, Wells and Seismic-to-Well Applications // 82nd EAGE Annual Conference & Exhibition. — European Association of Geoscientists & Engineers, 2021. — DOI: 10.3997/2214-4609.202010990.
8. Marsset B., Thomas Y., Sultan N., Gaillot A., Stephan Y. A multi-disciplinary approach to ma- rine shallow geohazard assessment // Near Surface Geophysics. — 2012. — Vol. 10, no. 4. — P. 279–288. — DOI: 10.3997/1873-0604.2012012.
9. Sacrey D., Roden R. Solving exploration problems with machine learning // First Break. — 2018. — Vol. 36, no. 6. — P. 67–72. — DOI: 10.3997/1365-2397.n0100.
