CC BY
2
Научная статья
УДК 624.131.31:550.34; 624.042.7 528.235; 004.8 EDN: MUQFOT
DOI: 10.21285/2227-2917-2023-3-516-525
Развитие и применение нейросетевой технологии в решении задач геодинамики
О.М. Максимова
Сибирский федеральный университет, г. Красноярск, Россия
Аннотация. Цель этой работы состоит в поиске наиболее эффективного, удобного в использовании метода сейсморайонирования, позволяющего в режиме реального времени учитывать происходящие изменения среды. Обосновывается актуальность и необходимость решения данной проблемы. Приводятся характеристики и особенности существующих в настоящее время методик микрорайонирования. Обсуждается постановка задачи сейсмического микрорайонирования. Определяются два направления решения задачи - традиционный подход и нейросетевой. Разбираются преимущества и недостатки обоих подходов. Приводятся существенные аргументы в пользу применения нейросетевого подхода, определяется направление поиска решения. Представлен иллюстрированный пример решения промежуточной задачи геофизики с использованием нейросетевого подхода. На данном этапе исследований осуществлен поиск сетей, обеспечивающий достаточную точность для получения картин геологических срезов, проведен анализ прогнозируемых результатов для ряда нейросетей. Наиболее достоверные результаты дают нейросети на основе многослойного персептрона. Следующим этапом работ предполагается разработка алгоритма использования нейросетевой технологии для построения карты сейсмического микрорайонирования.
Ключевые слова: сейсмическое районирование, микрорайонирование, нейросетевой подход, геологический срез
Для цитирования: Максимова О.М. Развитие и применение нейросетевой технологии в решении задач геодинамики // Известия вузов. Инвестиции. Строительство. Недвижимость. 2023. Т. 13. № 3. С. 516-525. https://doi.org/10.21285/2227-2917-2023-3-516-525. EDN: MUQFOT.
Original article
Development and application of neural network technology in solving geodynamic problems
Olga M. Maximova
Siberian Federal University, Krasnoyarsk, Russia
Abstract. The present study is aimed at searching the most effective, easy-to-use method for seismic zoning, in order to consider the ongoing environmental change in real time. The study demonstrates the relevance and necessity of tackling this problem, provides characteristics and peculiarities of current microzonation methods, and discusses the problem of seismic microzoning. The paper highlights traditional and neural network approaches as two directions in solving the problem, and determines their advantages and disadvantages. In addition, the paper provides significant arguments for applying the neural network approach and defines the perspectives for the solution. An intermediate problem of geophysics is suggested to be solved using the neural network approach. The current study results involved searching networks able to provide sufficient accuracy for obtaining pictures of geological sections and conducting analysis of predicted results for a number of neural networks. Multilayer percep-tron is considered to give the most reliable results. The future work is supposed to develop an algorithm for building a map of seismic microzonation by means of neural network technology.
Keywords: seismic zoning, micro zoning, neural network approach, geological section
© Максимова О.М., 2023
Том 13 № 3 2023
Известия вузов. Инвестиции. Строительство. Недвижимость с. 516-525 Proceedings of Universities. Investment. Construction. Real estate Vol. 13 No. 3 2023 _pp. 516-525
ISSN 2227-2917
IMC (print)
516 ISSN 2500-154X (online)
For citation: Maximova O.M. Development and application of neural network technology in solving geodynamic problems. Izvestiya vuzov. Investitsii. Stroitel'stvo. Nedvizhimost' = Proceedings of Universities. Investment. Construction. Real estate. 2023;13(3):516-525. (In Russ.). https://doi.org/10.21285/2227-2917-2023-3-516-525. EDN: MUQFOT.
ВВЕДЕНИЕ
Характеристика территории в зависимости от ее сейсмических особенностей осуществляется по результатам нескольких видов зонирования (районирования). Обычно выделяют три вида - общее, детальное и сейсмомик-рорайонирование. Методы и подходы, использующиеся на этапе общего сейсморайо-нирования осуществляются в два этапа.
Первый этап - выявление районов (зон) возникновения ожидаемых землетрясений, которые различаются по величине магнитуды. Второй этап - расчет колебаний (сотрясений) с помощью существующих методик, аналитических и численных методов с целью определения тех параметров и характеристик, которые позволяют осуществлять проектирование с заданным уровнем сейсмостойкости. Сейсмическое районирование должно осуществляться на научно-методической базе. Создание ее подразумевает разработку специальных, фундаментальных и практических методов решения данной проблемы. Для этого необходимо формирование комплекса научных исследований, включающего постановку конкретных задач в области сейсморайониро-вания. Сейсмическое микрорайонирование -неотъемлемая часть комплексных исследовательских разработок, целью которых является определение уровней сейсмичности территорий. На этапе сейсмического микрорайонирования разрабатываются карты (масштаб 1:25 000—1:5 ООО) с высокой точностью и достаточной полнотой, отражающие сейсмичность зоны с учетом как региональных, так и локальных факторов техногенного и природного характера при анализе землетрясений для конкретных территорий. Такие карты необходимы при изучении сейсмических характеристик строительных площадок. Качество этих карт зависит от целого ряда факторов, а именно, от информации, полученной на этапах общего и детального районирования (региональные данные), а также комплексных исследований, осуществленных при микро-
районировании (геологических и геофизических). Наряду с региональными местные, локальные особенности геологической среды, в том числе, строение геологического разреза, свойства грунтов и многие другие, имеют существенное значение при выполнении сейсмического микрорайонирования. При этом важно учитывать не только природные факторы сейсмического воздействий, роль техногенных факторов возрастает с каждым годом. В теории и практике сейсмического микрорайонирования остается много нерешенных проблем, открытых вопросов. Сложность, а иногда отсутствие необходимых методик определения уровня сейсмической опасности конкретной территории (строительной площадки) не позволяют вносить коррективы в расчетные модели при проектировании зданий и сооружений, при выявлении необходимости усиления их сейсмостойкости, в том числе в ходе эксплуатации.
Подходы к решению задачи сейсмического микрорайонирования. Подходы, используемые при решении проблем сейсмического микрорайонирования, можно условно разбить на две группы: теоретические (научно-исследовательские) и практические (методические). И те, и другие требуют постоянного, непрерывного развития и совершенствования. К этому вынуждают многие факторы, среди которых активизация природных сейсмических процессов, учет новых требований сейсмостойкого строительства и др.1-3 [1]. Решению этой сложной многоплановой проблемы может послужить только комплекс специальных научных исследований и целенаправленных инженерно-технических мероприятий, проводимых как в реальных, так и опытных условиях, в натурных экспериментах для достижения целей сейсмического микрорайо-нирования4. При осуществлении сейсмического микрорайонирования, в том числе, при создании соответствующих карт первым этапом всего комплекса работ должны быть инженерно-геологические исследования5.
1Аплонов С.В. Геодинамика. Издательство: ИД Санкт-Петербургского государственного университета, 2011 г. 352 с.
2Ломтадзе В.Д. Инженерная геология. Инженерная геодинамика. Л.: Недра, 1977 г. 480 с. 3Бондарик Г.К., Пендин В.В., Ярг Л.А. Инженерная геодинамика. Изд-во: КДУ, 2007 г. 456 с. 4По материалам Всероссийского Института научной и технической информации (ВИНИТИ). 5РСН 60-86: Инженерные изыскания для строительства. Сейсмическое микрорайонирование. Нормы производственных работ // KQdeks.ru. [Электронный ресурс]. URL: https://docs.cntd.ru/document/1200000686 (02.07.2023).
Том 13 № 3 2023
с. 516-525 Известия вузов. Инвестиции. Строительство. Недвижимость Vol. 13 No. 3 2023 Proceedings of Universities. Investment. Construction. Real estate pp. 516-525_
ISSN 2227-2917
(Print) c-|7
ISSN 2500-154X 5I' (online)
По пробуренным скважинам изучаются массивы грунтов и их плотность. На основании этих данных можно проводить уже сейсмические исследования и получать скорости распространения продольных и поперечных волн для грунта данной территории. Кроме того, бурение позволяет установить водоносные горизонты, что также далее будет учтено в расчетах геодинамических характеристик грунта3 [1-3].
На этом этапе можно начинать говорить о двух принципиально различных методах обработки информации - о построении математической модели (и ведении всех дальнейших расчетов на основании этой модели) и о нейросетевых вычислениях. Условимся метод работы с математической моделью называть традиционным методом, а метод, основанный на нейросетевых вычисления, собственно, -нейросетевым.
Вне зависимости от того, какой подход был бы выбран для обработки данных, самым первым этапом является сбор информации о месте проведения исследований и на этом этапе территория исследуется геофизиками. Применительно к сейсмическому микрорайонированию, одним из ключевых параметров является значение плотности массивов, так как именно плотность определяет скорость распространения сейсмических волн через породу.
В настоящий момент карты геологических срезов строятся по результатам скважинных замеров геологами вручную, исходя из интуитивных соображений. Здесь обратим внимание, что выполнение уже этой части работы может быть возложено на нейросеть. После «восстановления» массивов грунтов изучается сейсмика: на исследуемой территории располагаются датчики, способные фиксировать и измерять скорости распространения продольных и поперечных волн; после этого на территории производятся удары кувалдой, а указанное измерительное оборудование фиксирует результаты воздействия. Измеренные скорости продольных и поперечных волн подставляются в формулы, дающие коэффициент подвижности грунта. Этот коэффициент является поправкой к балльности, которая дается таблицами общего и детального сейсмического районирования.
Как было сказано выше, скважины удается пробурить далеко не везде: в интересующем месте зондирования может стоять здание, могут быть жестко ограничены сроки, которые даются на этап исследований, и - самое банальное - геофизики могут быть крайне ограниченны в средствах. В то же время хотелось
бы иметь как можно более полную картину как по массивам грунтов на данной территории, так и по сейсмике. Очевидный путь - использование различных интерполяционных методов. Выбор может быть сделан либо в пользу каких-либо устоявшихся математических методов, либо подобную интерполяцию можно поручить нейросети.
Преимущество традиционных методов интерполяции в том, что они очень хорошо известны и изучены. Второй очевидный плюс в том, что с использованием таких методов удается получать легковоспроизводимые результаты. Однако, в случае работы с формализованными численными методами, при интерполяции могут использоваться многопара-метричные входные данные, но на выходе оказывается только один параметр, нейросетевой же подход данный недостаток обходит естественным способом: нейросеть может при многопараметричных данных на входе давать многопараметричные результаты на выходе.
Нейросетевой подход имеет много преимуществ в сравнении с разными видами интерполяции и экстраполяции. Среди них универсальность подходов к решению абсолютно разнотипных задач, быстродействие, возможность распараллеливания вычислительных процессов обучения и функционирования сетей, эффективность обработки огромных массивов разнородных данных, устойчивость функционирования нейросетей в случае сбоев и «шума» в исходных данных [2-4].
К достоинствам нейросетевого подхода можно отнести тот факт, что использование нейросетевой технологии позволяет адаптироваться к новым, изменившимся условиям изучаемого процесса за счет «доучивания» сети при появлении новых данных, характеризующих процесс. Кроме того, с помощью нейросети решения можно уточнять на основании результатов, полученных на нескольких сетках [5].
Кроме того, нейросеть может повысить точность результатов и увеличить глубину прогноза в случае шаговой экстраполяции [27], т.е. позволяет производить прогнозирование на некотором доверительном интервале -то, чего стандартные численные методы лишены.
Геофизики уже оценили высокую эффективность применения интеллектуальных алгоритмов анализа данных, к примеру, для поисков и разведки месторождений полезных ископаемых. Так, успешно используют аппарат искусственных нейронных сетей для распознавания нефтеносных и "пустых" зон по комплексу геофизических и геохимических пара-
ISSN 2227-2917
(print) ISSN 2500-154X (online)
Известия вузов. Инвестиции. Строительство. Недвижимость Proceedings of Universities. Investment. Construction. Real estate
Том 13 № 3 2023
с. 516-525 Vol. 13 No. 3 2023 pp. 516-525
метров при исследовании скважин [4].
Не вызывает сомнения польза применения искусственного интеллекта, в том числе нейросетевых алгоритмов, для решения задач математической картографии и геоинформационного моделирования [11-29].
Для решения этих задач формируются сложные пространственные математические модели. Большинство аналитических задач такого рода можно сформулировать как задачу классификации географических комплексов. При этом предварительно осуществляется классификация показателей и факторов, описывающих эти комплексы. В этих исследованиях нейросетевые алгоритмы могут быть использованы для восстановления функции по конечному набору значений и для разбиения конечного множества объектов на классы.
Нейросетевое решение задачи сей-смомикрорайонирования. В рассматриваемой здесь задаче, геофизики, получив какое-то число измеренных характеристик грунта и обработав их, для построения интерполированных значений пользуются программой построения поверхностей - сначала на основании нескольких точек выбирается метод построения сетки, а затем подбирается метод интерполяции.
Недостаток данного подхода заключается в том, что используемая программа никакого отношения к геофизике (и уж тем более -к сейсмическому микрорайонированию) не имеет. Она нигде не учитывает предметную область данных, передаваемых ей на обработку, и, как следствие, специфика задачи скрадывается, а физический смысл приходит извне уже после получения результата. В случае работы с нейросетью, информация, подаваемая на вход сети при ее обучении, может
быть многопараметричной и естественным образом привносить физический смысл задачи. Установив взаимосвязь между входными и выходными параметрами, нейросеть все дальнейшие вычисления будет выполнять автоматически в соответствии со спецификой задачи.
В связи с этим создание специализированного нейросетевого программного продукта для расчета геодинамики представляет ярко выраженный интерес.
Во-первых, такая программа будет нацелена на работу в конкретной предметной области и, являясь узкоспециализированной, позволит решать задачу более точно. А во-вторых, объединит в себе весь цикл расчетов, не рассредоточивая внимание пользователя на нескольких различных программах, не имеющих к задаче прямого отношения. В-третьих, программный комплекс даст возможность каталогизировать и систематизировать накопленные результаты.
В качестве первого этапа использования нейросетевого подхода для решения задач геодинамики было решено попробовать воспроизвести картину среза грунта, содержащего различные массивы. Используемые нейросети генерировались в программе Ыеи-го81а11в11са 4.0е. В качестве исходных данных брались данные о грунте с четырех скважин. В качестве «эталонного» среза рассматривался срез, построенный геофизиками.
Набор строился на сетке с шагом в по оси ОХ - 20 см, по оси ОУ - 4 см.
На рис. 1-9 представлены этапы подбора эффективной нейросети. Для каждого этапа указан класс нейросети, ее структура с результатами обучения и функционирования (приведена ошибка функционирования).
Рис. 1. Картина среза, построенная геологом Fig. 1. The cut picture, built by a geologist
Том 13 № 3 2023 ISSN 2227-2917
с. 516-525 Известия вузов. Инвестиции. Строительство. Недвижимость (print) q Vol. 13 No. 3 2023 Proceedings of Universities. Investment. Construction. Real estate ISSN 2500-154X 5 1 9 pp. 516-525_(online)_
Рис. 2. Класс сети: RBF, 2:2-7-4:1, ошибка: 0.3431016 Fig. 2. Network class: RBF, 2: 2-7-4: 1, error: 0.3431016
Рис. 3. Класс сети: RBF, 2:2-14-4:1, ошибка 0.3379704 Fig. 3. Network class: RBF, 2:2-14-4:1, error: 0.3379704
Рис. 4. Класс сети: MLP, 2:2-11-4:1, ошибка 0.1836772 Fig. 4. Network class: MLP, 2:2-11-4:1, error: 0.1836772
Рис. 5. Класс сети: MLP, 2:2-15-4:1, ошибка 0.1769613 Fig. 5. Network class: MLP, 2:2-15-4:1, error: 0.1769613
ISSN 2227-2917 Том 13 № 3 2023 мл (print) Известия вузов. Инвестиции. Строительство. Недвижимость с. 516-525
520 ISSN 2500-154X Proceedings of Universities. Investment. Construction. Real estate Vol. 13 No. 3 2023 _(online)_pp. 516-525
Рис. 6. Класс сети: MLP, 2:2-13-13-4:1, ошибка 0.1293035 Fig. 6. Network class: MLP, 2:2-13-13-4:1, error: 0.1293035
Рис. 7. Класс сети: MLP, 2:2-13-13-4:1, ошибка 0.1263289 Fig. 7. Network class: MLP, 2:2-13-13-4:1, error: 0.1263289
Рис. 8. Класс сети: MLP, 2:2-15-15-4:1, ошибка 0.1365224 Fig. 8. Network class: MLP, 2:2-15-15-4:1, error: 0.1365224
Рис. 9. Класс сети: MLP, 2:2-12-12-4:1, ошибка 0.1311398 Fig. 9. Network class: MLP, 2:2-12-12-4:1, error: 0.1311398
Из представленных результатов подбора чи не подходят, а при работе с нейросетями видно, что сети с использованием радиальных на основе многослойного персептрона более базисных функций для решения данной зада- приемлемы персептроны с увеличенным чисТом 13 № 3 2023
с. 516-525 Известия вузов. Инвестиции. Строительство. Недвижимость Vol. 13 No. 3 2023 Proceedings of Universities. Investment. Construction. Real estate pp. 516-525_
ISSN 2227-2917 (print)
ISSN 2500-154X 521 (online)
лом скрытых слоев.
ЗАКЛЮЧЕНИЕ
На данном этапе исследований был проведен анализ прогнозируемых результатов для ряда нейросетей. Наиболее достоверные результаты дают нейросети на основе многослойного персептрона. Необходимо продол-
жить дальнейший поиск сетей, обеспечивающий достаточную точность для получения картин геологических срезов. Следующим этапом работ предполагается разработка алгоритма использования нейросетевой технологии для построения карты сейсмического микрорайонирования.
СПИСОК ИСТОЧНИКОВ
1. Гаврилова Ю.О., Куренкова С.А. Теоретические и региональные проблемы геодинамики: сб. науч. ст. М.: Наука, 1999. 279 с.
2. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: ИД «Вильямс», 2006 г. 1104 с.
3. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Вильямс, 2003. 863 с.
4. Паклин Н. Анализ геофизических данных // Loginom Company. BaseGroup Labs [Электронный ресурс]. URL: https://basegroup.ru/community/articles/geophysics/ (13.03.2005).
5. Абовский Н.П., Деруга А.П., Максимова О.М., Светашков П.А. Нейроуправляемые конструкции и системы. Кн. 13. Серия: Нейрокомпьютеры и их применение. М: Радиотехника, 2003. 367 с. EDN: AHCOYZ.
6. Максимова О.М. Neuro-net forecasting as evolutionary intellectual process // XVI Международная конференция по нейрокибернетике: сб. докл. (г. Ростов-на-Дону, 24-28 сентября 2012). Ростов н/Д: Изд-во Южного федерального университета, 2012. Т. 2. С. 237-240.
7. Максимова О.М. Нейросетевое прогнозирование в задачах динамики строительных конструкций // Вестник Иркутского государственного технического университета. 2013. № 3 (74). С. 60-66. EDN: PYAKEL.
8. Максимова О.М. Развитие и применение нейросетевых технологий для задач механики и строительных конструкций // Вестник Иркутского государственного технического университета. 2013. № 8 (79). С. 81-89. EDN: RASWYX.
9. Maximova O.M. The evolutionary modeling of neural-net forecasting // European Science and Technology: Х International Research and Practice Conference (Munich 28-29 May, 2015). Waldkraiburg - Munich: Vela-Verlag; Strategic Studies Institute, 2015. Vol. 2. P. 332-336.
10. Maximova O.M. Neural-net modeling for direct and inverse problems of shell theory // XII Interna-tional scientific and research conference on Topical issues in Aeronautics and Astronautics: IOP Con-ference Series: materials science and engineering (Krasnoyarsk, 11-15 April 2016). 2016. Vol. 155. P. 012031.
11. Песегов Д.А. Геоинформационное и картографическое обеспечение задач регионального и муниципального управления // ТОРИНС [Электронный ресурс]. URL: http://www.torins.ru/demo/download/NeuroGIS.pdf (10.03.2006).
12. Barrile V., Meduri G.M., Bilotta G., Monardi Trungadi U. GPS-GIS and neural networks for monitoring control, cataloging the prediction and prevention in tectonically active areas // Procedia - Social and Behavioral Sciences. 2016. Vol. 223. P. 909-914. https://doi.org/10.1016/j.sbspro.2016.05.314.
13. Chakraborty A., Goswami D. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN) // Arabian Journal of Geosciences. 2017. Vol. 10. P. 385. https://doi.org/10.1007/s12517-017-3167-x.
14. Miljanovic M., Ninkov T., Susie Z., Tucikesic S. Forecasting geodetic measurements using finite impulse response artificial neural networks // Indian journal of geo-marine sciences. 2017. Vol. 46. Iss. 9. P. 17431750.
15. Dramsch J.S., Christensen A.N., MacBeth C., Lüthje M. Deep unsupervised 4D seismic 3D time-shift estimation with convolutional neural networks // IEEE Transactions on Geoscience and Remote Sensing. 2019. Vol. 60. No. 57. P. 1-16. https://doi.org/10.1109/TGRS.2021.3081516.
16. Mosser L., Oliveira R., Steventon M. Probabilistic seismic interpretation using Bayesian neural networks // 81st conference and exhibition (Juny 2019). European Association of Geoscientists & Engineers, 2019. Vol. 2019. P. 1-5. https://doi.org/10.3997/2214-4609.201901510.
17. Xu K., Darve E.C. The neural network approach to inverse problems in differential equations // ArXiv. 2019. P.119582714.
18. Puzyrev V. Deep learning electromagnetic inversion with convolutional neural networks // Geophysical Journal International. 2019. Vol. 218. Iss. 2. P. 817-832. https://doi.org/10.1093/gji/ggz204.
19. Li Shucai, Liu Bin, Ren Yuxiao, Chen Yangkang, Yang Senlin, Wang Yunhai, Jiang Peng. Deep learning Inversion of Seismic Data // IEEE Transactions On Image Processing. 2019. Vol. 58. Iss. 3. P. 2135-2149. https://doi.org/10.1109/TGRS.2019.2953473.
ISSN 2227-2917 Том 13 № 3 2023 enn (print) Известия вузов. Инвестиции. Строительство. Недвижимость с. 516-525
522 ISSN 2500-154X Proceedings of Universities. Investment. Construction. Real estate Vol. 13 No. 3 2023 _(online)_pp. 516-525
20. Lei L., Yu L., Xiong Z., Han L., Wei X., Shifan Z. Convolutional recurrent neural networks based waveform classification in seismic facies analysis // SEG Technical Program Expanded Abstracts. 2019. P. 25992603. https://doi.org/10.1190/segam2019-3215237.1.
21. Wu H., Zhang B., Lin T., Cao D., Lou Y. Semiautomated seismic horizon interpretation using the encoder-decoder convolutional neural network // Geophysics. 2019. Vol. 84 (6). P. B403-B417. https://doi.org/10.1190/geo2018-0672.1.
22. Zhu W., Mousavi S.M., Beroza G.C. Seismic signal denoising and decomposition using deep neural networks // IEEE Transactions on Geoscience and Remote Sensing. 2019. Vol. 57. No. 11. P. 9476-9488. https://doi.org/10.1109/TGRS.2019.2926772.
23. Wu X., Geng Z., Shi Y., Pham N., Fomel S., Caumon G. Building realistic structure models to train convolutional neural networks for seismic structural interpretation // Geophysics. 2020. Vol. 85. P. WA27-WA39. https://doi.org/10.1190/geo2019-0375.1.
24. Moseley B., Nissen-Meyer T., Markham A. Deep learning for fast simulation of seismic waves in complex media // Solid Earth. 2020. Vol. 11. No. 4. P. 1527-1549. https://doi.org/10.5194/se-11-1527-2020.
25. Hu Zh., Liu Sh., Hu X., Fu L., Qu J., Wang H., Chen Qiu. Inversion of magnetic data using deep neural networks // Physics of the Earth and Planetary Interiors. 2021. Vol. 311. P. 106653. https://doi.org/10.1016/j.pepi.2021.106653.
26. Шимелевич М.И. Применение методов искусственного интеллекта (нейронных сетей) в обратных нелинейных задачах геофизики с приложением к геоэлектрике // VIII Всероссийская школа-семинар по электромагнитным зондированиям Земли имени М.Н. Бердичевского и Л.Л. Ваньяна (ЭМЗ-2021): сб. тр. (г. Москва, 04-07 октября 2021 г.). Москва: Институт физики Земли им. О.Ю. Шмидта РАН, 2021. C. 20-26. EDN: BVHFEE.
27. Галиев Р.Р., Абдрахимов Р.И. Построение концептуальной модели осадконакопления отложений тюменской свиты на основе данных бурения и сейсморазведочных исследований // Вестник Академии наук Республики Башкортостан. 2022. № 4 (108). С. 39-46. https://doi.org/10.24412/1728-5283_2022_4_39_46. EDN: GALUBA.
28. Галиев Р.Р., Абдрахимов Р.И. Анализ изменения характеристик сейсмической записи и условий формирования Ачимовских отложений // Вестник Академии наук Республики Башкортостан. 2023. Т. 46. № 1 (109). С.40-47. https://doi.org/10.24412/1728-5283_2023_1_40_47. EDN: PFCRBI.
29. Гадыльшина К.А., Лисица В.В., Вишневский Д.М., Гадыльшин К.Г. Искусственная нейронная сеть, уменьшающая численную дисперсию, для постобработки результатов сейсмического моделирования // Геофизические технологии. 2022. № 1. С. 99-109. https://doi.org/10.18303/2619-1563-2022-1-99. EDN: VJDPHV.
REFERENCES
1. Gavrilova Yu.O., Kurenkova S.A. Theoretical and regional problems of geodynamics: collection of scientific articles. Moscow: Nauka; 1999. 279 p. (In Russ.).
2. Haykin S. Neural networks: a comprehensive Foundation. 2-nd Ed. New Jersey: Printice Hall, 07458.
3. Luger G.F. Artificial intelligence: structures and strategies for complex problem solving. 4nd Ed. Boston.
4. Paklin N. Analysis of geophysical data. Loginom Company. BaseGroup Labs. Available from: https://basegroup.ru/community/articles/geophysics/ [Accessed 13-th March 2005]. (In Russ.).
5. Abovskii N.P., Deruga A.P., Maksimova O.M., Svetashkov P.A. Neuro-controlled constructions and systems. Book 13. Series: Neurocomputers and their application. Moscow: Radiotekhnika; 2003. 367 p. (In Russ.). EDN: AHCOYZ.
6. Maksimova O.M. Neuro-net forecasting as evolutionary intellectual process. In: XVI Mezhdunarodnaya konferentsiya po neirokibernetike: sbornik dokladov = XVI International Conference on neurocybernetics: collection of reports. 24-28 September 2012, Rostov-on-Don. Rostov-on-Don: Southern Federal University, 2012. Vol. 2. p. 237-240. (In Russ.).
7. Maksimova O.M. Neuronet forecasting in building structure dynamics problems. Vestnik Irkutskogo gosu-darstvennogo tekhnicheskogo universiteta = Proceedings of Irkutsk state technical university. 2013;3:60-66. (In Russ.). EDN: PYAKEL.
8. Maksimova O.M. Neuronet technology development and application for solving mechanical and engineering structures problems. Vestnik Irkutskogo gosudarstvennogo tekhnicheskogo universiteta = Proceedings of Irkutsk state technical university. 2013;8:81-89. (In Russ.). EDN: RASWYX.
9. Maximova O.M. The evolutionary modeling of neural-net forecasting. In: European Science and Technology: Х International Research and Practice Conference. 28-29 May 2015, Munich. Waldkraiburg - Munich: Vela-Verlag; Strategic Studies Institute; 2015. Vol. 2. p. 332-336.
10. Maximova O.M. Neural-net modeling for direct and inverse problems of shell theory. In: XII Interna-tional scientific and research conference on Topical issues in Aeronautics and Astronautics: IOP Con-ference Se-
Том 13 № 3 2023
с. 516-525 Известия вузов. Инвестиции. Строительство. Недвижимость Vol. 13 No. 3 2023 Proceedings of Universities. Investment. Construction. Real estate pp. 516-525_
ISSN 2227-2917 (print)
ISSN 2500-154X 523 (online)
ries: materials science and engineering. 11-15 April 2016, Krasnoyarsk. 2016. Vol. 155. p. 012031.
11. Pesegov D.A. Geoinformation and cartographic support of tasks of regional and municipal management. TORINS. Available from: http://www.torins.ru/demo/download/NeuroGIS.pdf [Accessed 10th March 2023]. (In Russ.).
12. Barrile V., Meduri G.M., Bilotta G., Monardi Trungadi U. GPS-GIS and neural networks for monitoring control, cataloging the prediction and prevention in tectonically active areas. Procedia - Social and Behavioral Sciences. 2016;223:909-914. https://doi.org/10.1016Zj.sbspro.2016.05.314.
13. Chakraborty A., Goswami D. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN). Arabian Journal of Geosciences. 2017;10:385. https://doi.org/10.1007/s12517-017-3167-x.
14. Miljanovic M., Ninkov T., Susie Z., Tucikesic S. Forecasting geodetic measurements using finite i mpulse response artificial neural networks. Indian journal of geo-marine sciences. 2017;46(9):1743-1750.
15. Dramsch J.S., Christensen A.N., MacBeth C., Lüthje M. Deep unsupervised 4D seismic 3D time-shift estimation with convolutional neural networks. IEEE Transactions on Geoscience and Remote Sensing. 2019;60(57):1-16. https://doi.org/10.1109/TGRS.2021.3081516.
16. Mosser L., Oliveira R., Steventon M. Probabilistic seismic interpretation using Bayesian neural net-works. 81st conference and exhibition. Juny 2019. European Association of Geoscientists & Engineers; 2019. Vol. 2019. p. 1-5. https://doi.org/10.3997/2214-4609.201901510.
17. Xu K., Darve E.C. The neural network approach to inverse problems in differential equations. ArXiv. 2019. P. 119582714.
18. Puzyrev V. Deep learning electromagnetic inversion with convolutional neural networks. Geophysical Journal International. 2019;218(2):817-832. https://doi.org/10.1093/gji/ggz204.
19. Li Sh., Liu B., Ren Yu., Chen Ya., Yang S., Wang Yu., Jiang P. Deep learning Inversion of Seismic Data. IEEE Transactions On Image Processing. 2019;58(3):2135-2149. https://doi.org/10.1109/TGRS.2019.2953473.
20. Lei L., Yu L., Xiong Z., Han L., Wei X., Shifan Z. Convolutional recurrent neural networks based waveform classification in seismic facies analysis. SEG Technical Program Expanded Abstracts. 2019:2599-2603. https://doi.org/10.1190/segam2019-3215237.1.
21. Wu H., Zhang B., Lin T., Cao D., Lou Y. Semiautomated seismic horizon interpretation using the encoder-decoder convolutional neural network. Geophysics. 2019;84(6):B403-B417. https://doi.org/10.1190/geo2018-0672.1.
22. Zhu W., Mousavi S.M., Beroza G.C. Seismic signal denoising and decomposition using deep neural networks. IEEE Transactions on Geoscience and Remote Sensing. 2019;57(11):9476-9488. https://doi.org/10.1109/TGRS.2019.2926772.
23. Wu X., Geng Z., Shi Y., Pham N., Fomel S., Caumon G. Building realistic structure models to train convolutional neural networks for seismic structural interpretation. Geophysics. 2020;85:WA27-WA39. https://doi.org/10.1190/geo2019-0375.1.
24. Moseley B., Nissen-Meyer T., Markham A. Deep learning for fast simulation of seismic waves in complex media. Solid Earth. 2020;11(4):1527-1549. https://doi.org/10.5194/se-11-1527-2020.
25. Hu Zh., Liu Sh., Hu X., Fu L., Qu J., Wang H., Chen Qiu. Inversion of magnetic data using deep neural networks. Physics of the Earth and Planetary Interiors. 2021;311:106653. https://doi.org/10.1016/j.pepi.2021.106653.
26. Shimelevich M.I. Application of artificial intelligence methods (neural networks) in inverse nonlinear problems of geophysics with application to geoelectrics. In: VIII Vserossiiskaya shkola-seminar po elektromagnit-nym zondirovaniyam Zemli imeni M.N. Berdichevskogo i L.L. Van'-yana (EMZ-2021): sbornik trudov = VIII All-Russian School-seminar on electromagnetic sounding of the Earth named after M.N. Berdichevsky and L.L. Vanian (EMZ-2021): collection of works. 04-07 October 2021, Moscow. Moscow: Schmidt Institute of physics of the earth of the Russian Academy of Sciences; 2021. p. 20-26. (In Russ.). EDN: BVHFEE.
27. Galiev R.R., Abdrakhimov R.I. Construction of a conceptual model of sedimentation of deposits of the Tyumen formation based on core analysis, gis and changes in the characteristics of seismic recording. Vest-nik Akademii nauk Respubliki Bashkortostan = Herald of the academy of sciences of the Republic of Bashkortostan. 2022;45(4):39-46. https://doi.org/10.24412/1728-5283_2022_4_39_46. (In Russ.). EDN: GALUBA.
28. Galiev R.R.1, Abdrakhimov R.I. Analysis of changes in the characteristics of the seismic record and formation conditions of the achimov deposits. Vestnik Akademii nauk Respubliki Bashkortostan = Herald of the academy of sciences of the Republic of Bashkortostan. 2023;46(1):40-47. (In Russ.). https://doi.org/10.24412/1728-5283_2023_1_40_47. EDN: PFCRBI.
29. Gadylshina K.A., Lisitsa V.V., Vishnevsky D.M., Gadylshin K.G. Deep neural network reducing numerical dispersion for post-processing of seismic modeling results. Geofizicheskie tekhnologii = Russian Journal of Geophysical Technologies. 2022;1:99-109. (In Russ.). https://doi.org/10.18303/2619-1563-2022-1-99. EDN: VJDPHV.
ISSN 2227-2917 Том 13 № 3 2023 епл (print) Известия вузов. Инвестиции. Строительство. Недвижимость с. 516-525
524 ISSN 2500-154X Proceedings of Universities. Investment. Construction. Real estate Vol. 13 No. 3 2023 _(online)_pp. 516-525
Информация об авторе
Максимова Ольга Михайловна,
к.т.н., доцент,
доцент кафедры строительных конструкций и управляемых систем, Сибирский федеральный университет, 660041, г. Красноярск, пр. Свободный, 79, Россия,
e-mail: [email protected] https://orcid.org/0009-0008-7326-3326
Вклад автора
Автор провел исследование, подготовил рукопись к печати и несет ответственность за плагиат.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Автор прочитал и одобрил окончательный вариант рукописи.
Информация о статье
Статья поступила в редакцию 03.04.2023. Одобрена после рецензирования 02.05.2023. Принята к публикации 05.05.2023.
Information about the author
Olga M. Maximova,
Cand. Sci. (Eng.), Assistant Professor,
Associate Professor of the Department
of the Building Structures and Control Systems,
Siberian Federal University,
79 Svobodny pr., Krasnoyarsk 660041,
Russia,
e-mail: [email protected] https://orcid.org/0009-0008-7326-3326
Contribution of the author
Autor has conducted the study, prepared the manuscript for publication and bears the responsibility for plagiarism.
Conflict of interests
The author declare no conflict of interests regarding the publication of this article.
The final manuscript has been read and approved by the author.
Information about the article
The article was submitted 03.04.2023 Approved after reviewing 02.05.2023. Accepted for publication 05.05.2023.
Том 13 № 3 2023 ISSN 2227-2917
с. 516-525 Известия вузов. Инвестиции. Строительство. Недвижимость (print) ЦОС Vol. 13 No. 3 2023 Proceedings of Universities. Investment. Construction. Real estate ISSN 2500-154X 525 pp. 516-525_(online)_
