Штучний інтелект у геофізиці: можливості та ризики
DOI:
https://doi.org/10.24028/gj.v47i2.322463Ключові слова:
штучний інтелект, алгоритм, сейсмологія, геотермія, інтерпретація каротажних данихАнотація
Наведено короткий аналітичний огляд деяких методів штучного інтелекту, які успішно застосовуються в процесі обробки та інтерпретації даних каротажу, а також у сейсмології та геотермії. Висвітлено можливості штучних нейронних мереж, методу опорних векторів, методу випадкового лісу, генетичних алгоритмів. Надано основні відомості про переваги та обмеження інструментів штучного інтелекту.
Для геолого-геофізичних досліджень штучного інтелекту не є самодостатнім. Важливо пристосувати його алгоритми до роботи з великими обсягами геофізичних даних. Якщо використовуваний алгоритм має надто високу обчислювальну складність, можна спростити обчислення за допомогою ручної обробки вхідних даних або звичайного програмного забезпечення. Іноді застосовуються кілька алгоритмів для вирішення одного завдання. У таких випадках кожну мережу навчають кілька разів. При порівнянні отриманих результатів із приблизно рівними контрольними помилками вибирають простішу в обчислювальному відношенні нейронну мережу.
З метою кращої орієнтації у світі обчислень наведено інформацію про обчислювальну адаптацію штучного інтелекту до геофізичних даних.
Звернено увагу на можливості фінансових ризиків, пов’язаних із використанням недостатньо потужної мережі при моделюванні тієї чи іншої залежності.
Посилання
Li, Z., Meier, M.-A., Hauksson, E., Zhan, Z., & Andrews, J. (2018). Machine Learning Seismic Wave Discrimination: Application to Earthquake Early Warning. Geophysical Research Letters, 45(10), 4773—4779. https://doi.org/10. 1029/2018GL077870.
Liu, H, Song, J., & Li, S. (2022). Seismic Event Identification Based on a Generative Adversarial Network and Support Vector Machine. Frontiers in Earth Science, 10, 814655. https://doi.org/10.3389/feart.2022.814655.
Kong, Q., Allen, R.M., Schreier, L., & Kwon, Y.-W. (2016). MyShake: A Smartphone Seismic Network for Earthquake Early Warning and beyond. Science Advances, 2(2), e1501055. https://doi.org/10.1126/sciadv.1501055.
Perol, T., Gharbi, M., & Denolle, M. (2018). Convolutional neural network for earthquake detection and location. Science Advances, 4(2), e1700578. https://doi.org/10.1126/sciadv.170 0578.
Rouet-Leduc, B., Hulbert, C., Lubbers, N., Barros, K., Humphreys, C.J., & Johnson, P.A. (2017). Machine learning predicts laboratory earthquakes. Geophysical Research Letters, 44, 9276—9282. https://doi.org/10.1002/ 2017GL 074677.
Wang, D., Peng, J., Yu, Q., Chen, Y., & Yu, H. (2019). Support vector machine algorithm for automatically identifying depositional microfacies using well logs. Sustainability, 11(7). https://doi.org/10.3390/su11071919
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 N.I. Bakhova
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
1. Автори зберігають за собою авторські права на роботу і передають журналу право першої публікації разом з роботою, одночасно ліцензуючи її на умовах Creative Commons Attribution License, яка дозволяє іншим поширювати дану роботу з обов'язковим зазначенням авторства даної роботи і посиланням на оригінальну публікацію в цьому журналі .
2. Автори зберігають право укладати окремі, додаткові контрактні угоди на не ексклюзивне поширення версії роботи, опублікованої цим журналом (наприклад, розмістити її в університетському сховищі або опублікувати її в книзі), з посиланням на оригінальну публікацію в цьому журналі.
3. Авторам дозволяється розміщувати їх роботу в мережі Інтернет (наприклад, в університетському сховище або на їх персональному веб-сайті) до і під час процесу розгляду її даними журналом, так як це може привести до продуктивної обговоренню, а також до більшої кількості посилань на дану опубліковану роботу (Дивись The Effect of Open Access).
Scimago Journal & Country Rank
