с 01.01.2022 по настоящее время
Институт прикладной геофизики имени академика Е.К. Федорова (Научный сотрудник)
Москва, г. Москва и Московская область, Россия
с 01.01.2021 по настоящее время
Москва, г. Москва и Московская область, Россия
ВАК 1.6 Науки о Земле и окружающей среде
УДК 550.8.05 Обработка результатов исследований и интерпретация данных исследований
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
УДК 55 Геология. Геологические и геофизические науки
УДК 550.34 Сейсмология
УДК 550.383 Главное магнитное поле Земли
ГРНТИ 37.01 Общие вопросы геофизики
ГРНТИ 37.15 Геомагнетизм и высокие слои атмосферы
ГРНТИ 37.25 Океанология
ГРНТИ 37.31 Физика Земли
ГРНТИ 38.01 Общие вопросы геологии
ГРНТИ 36.00 ГЕОДЕЗИЯ. КАРТОГРАФИЯ
ГРНТИ 37.00 ГЕОФИЗИКА
ГРНТИ 38.00 ГЕОЛОГИЯ
ГРНТИ 39.00 ГЕОГРАФИЯ
ГРНТИ 52.00 ГОРНОЕ ДЕЛО
ОКСО 05.03.01 Геология
ОКСО 05.00.00 Науки о Земле
ББК 263 Геологические науки
ББК 26 Науки о Земле
ТБК 632 Геофизика
ТБК 63 Науки о Земле. Экология
BISAC SCI032000 Physics / Geophysics
BISAC SCI SCIENCE
Статья посвящена применению свёрточных нейронных сетей (СНС) для автоматизированного выделения осей линейных аномалий магнитного поля. В ходе работы составлена оригинальная архитектура СНС на основе U-Net c использованием предобученных весов VGG-16, обучение которой выполнено на выборке из 500 модельных примеров. Рассматриваемый в работе подход может стать оптимальным инструментом при структурной интерпретации аномальных магнитных полей. В результате апробации предлагаемых СНС, на примере поля одного из участков Баренцева моря, выделены оси линейных аномалий, во многом совпадающие с положением осей, полученных ручной экспертной интерпретацией, что показывает высокую эффективность применения современных технологий искусственных нейронных сетей.
Свёрточные нейронные сети, магниторазведка, линейные аномалии магнитного поля, Баренцево море, дайки
1. Булычев А. А., Лыгин И. В., Соколова Т. Б. и др. Прямая задача гравиразведки и магниторазведки (конспект лекций). — Москва : Университетская книга, 2019. — 176 с.
2. Лыгин И. В., Арутюнян Д. А., Соколова Т. Б. и др. Картирование магматических комплексов по данным гидромагнитных съемок Баренцевоморского региона // Физика Земли. — 2023. — № 4. — С. 96—114. — https: //doi.org/10.31857/s0002333723040075.
3. Хайкин С. Нейронные сети: полный курс, 2-е издание. — Издательский дом «Вильямс», 2016. — 1104 с.
4. Черников К. С., Горбачев С. В., Голованов Д. Ю. и др. Геологическая и экономическая эффективность применения гравиразведки и магниторазведки на разных стадиях геолого-разведочных работ // Геология нефти и газа. — 2020. — № 2. — С. 107—120. — https://doi.org/10.31087/0016-7894-2020-2-107-120.
5. Шклярук А. Д. и Кузнецов К. М. Программа для выделения осей линейных аномалий магнитных и гравитационных полей на основе сверточных нейронных сетей RU 2024685140. — Федеральная служба по интеллектуальной собственности РФ, 2024.
6. Deng J., Dong W., Socher R., et al. ImageNet: A large-scale hierarchical image database // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — IEEE, 2009. — https://doi.org/10.1109/cvpr.2009.5206848.
7. He K., Zhang X., Ren S., et al. Identity Mappings in Deep Residual Networks. — arXiv, 2016. — https://doi.org/10.48550/ARXIV.1603.05027.
8. Plouff D. Gravity and Magnetic fields of polygonal prisms and application to magnetic terrain corrections // Geophysics. — 1976. — Vol. 41, no. 4. — P. 727–741. — https://doi.org/10.1190/1.1440645.
9. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. — Springer International Publishing, 2015. — P. 234–241. — https://doi.org/10.1007/978-3-319-24574-4_28.
10. Shapiro L. G. and Stockman G. C. Computer Vision. — Prentice-Hall, 2000. — 375 p.
11. Simonyan K. and Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. — arXiv, 2014. — https://doi.org/10.48550/ARXIV.1409.1556.
12. Stankovic L. and Mandic D. Convolutional Neural Networks Demystified: A Matched Filtering Perspective Based Tutorial. — arXiv, 2021. — https://doi.org/10.48550/ARXIV.2108.11663.
13. Szegedy C., Vanhoucke V., Ioffe S., et al. Rethinking the Inception Architecture for Computer Vision. — arXiv, 2015. — https://doi.org/10.48550/ARXIV.1512.00567.
14. Tan M. and Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. — arXiv, 2019. — https://doi.org/10.48550/ARXIV.1905.11946.
15. Venkatesan R. and Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide. — CRC Press, 2017. — 186 p. — https://doi.org/10.4324/9781315154282.
