ВАК 1.6.9 УДК 550.8.05 ГРНТИ 37.01 ОКСО 05.03.01 ББК 263 ТБК 632 BISAC SCI032000 ВАК 1.6 УДК 004.89 УДК 55 УДК 550.34 УДК 550.383 ГРНТИ 37.15 ГРНТИ 37.25 ГРНТИ 37.31 ГРНТИ 38.01 ГРНТИ 36.00 ГРНТИ 37.00 ГРНТИ 38.00 ГРНТИ 39.00 ГРНТИ 52.00 ОКСО 05.00.00 ББК 26 ТБК 63 BISAC SCI

ПРИМЕНЕНИЕ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВЫДЕЛЕНИЯ ОСЕЙ ЛИНЕЙНЫХ АНОМАЛИЙ МАГНИТНОГО ПОЛЯ Применение свёрточных нейронных сетей для выделения осей линейных аномалий магнитного поля

Опубликовано в Russian Journal of Earth Sciences · Том 25, Номер 4 · Номер статьи: ES4007 · Рубрика: ОРИГИНАЛЬНЫЕ СТАТЬИ
DOI: https://doi.org/10.2205/2025ES001003 · EDN: OZAKIC
Получено: 24.11.2024 Одобрено: 24.02.2025 Опубликовано: 10.07.2025
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
Финансирование
Исследования выполнены при финансовой поддержке Междисциплинарных научно-образовательных школ Московского университета в рамках Соглашения № 23-Ш01-13.
Текст Список литературы
Текст (PDF)
Читать Скачать

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.

Войти или Создать
* Забыли пароль?