Расширенный поиск
ПОДХОД К СОЗДАНИЮ ПРОСТРАНСТВЕННЫХ ПРОГНОЗНО-ПОИСКОВЫХ МОДЕЛЕЙ МЕСТОРОЖДЕНИЙ НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ (НА ПРИМЕРЕ ТЕРРИТОРИИ ЮГО-ВОСТОЧНОГО ЗАБАЙКАЛЬЯ)
Институт геологии рудных месторождений, петрографии, минералогии и геохимии РАН
Журнал: Наука и технологические разработки
Том: 103
Номер: 2
Год: 2024
Страницы: 75–90
УДК: 550.8:004.032.26
DOI: 10.21455/std2024.2-5
Показать библиографическую ссылку
Гришков Г.А., Нафигин
И.О., Устинов
С.А., Минаев
В.А., Петров
В.А. ПОДХОД К СОЗДАНИЮ ПРОСТРАНСТВЕННЫХ ПРОГНОЗНО-ПОИСКОВЫХ МОДЕЛЕЙ МЕСТОРОЖДЕНИЙ НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ (НА ПРИМЕРЕ ТЕРРИТОРИИ ЮГО-ВОСТОЧНОГО ЗАБАЙКАЛЬЯ)
// Наука и технологические разработки. 2024. Т. 103. № 2. С. 75–90. DOI: 10.21455/std2024.2-5
@article{ГришковПОДХОД2024,
author = "Гришков, Г. А. and Нафигин,
И. О. and Устинов,
С. А. and Минаев,
В. А. and Петров,
В. А.",
title = "ПОДХОД К СОЗДАНИЮ ПРОСТРАНСТВЕННЫХ ПРОГНОЗНО-ПОИСКОВЫХ МОДЕЛЕЙ МЕСТОРОЖДЕНИЙ НА ОСНОВЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ (НА ПРИМЕРЕ ТЕРРИТОРИИ ЮГО-ВОСТОЧНОГО ЗАБАЙКАЛЬЯ)
",
journal = "Наука и технологические разработки",
year = 2024,
volume = "103",
number = "2",
pages = "75–90",
doi = "10.21455/std2024.2-5",
language = "Russian"
}
Скопировать ссылку в формате ГОСТ
Скопировать ссылку BibTex
Файлы:
Ключевые слова: нейронные сети, прогнозно-поисковая модель, гидротермальные месторождения, прогнозирование полезных ископаемых, геолого-геофизические критерии, прогнозно-поисковые работы, Юго-Восточное Забайкалье, AlexNet
Аннотация: Одним из актуальных направлений в геологии сегодня является развитие подходов к применению нейросетевых технологий на разных стадиях геологоразведочных работ. В работе рассматривается архитектура нейронной сети AlexNet. Эта нейросеть уже прошла апробацию на различных территориях, позволяет проводить обучение на относительно малом количестве данных и обладает достаточной точностью для решения поставленных задач. Для проведения операций с выбранной нейронной сетью разработана методика, позволяющая на основе подготовленных геолого-пространственных признаков (критериев), косвенно или фактически обусловливающих наличие рудных объектов, проводить обучение нейросетевой модели с дальнейшим ее приложением к исследуемой территории. Данный подход дает возможность провести анализ и получить экспертную оценку исследуемой области в виде пространственной прогнозно-поисковой модели, предсказывающей размещение наиболее перспективных для дальнейшего изучения участков. В работе продемонстрирован пример использования разработанной методики прогноза гидротермальных полиметаллических месторождений на территории Юго-Восточного Забайкалья.
Список литературы: Гришков Г.А., Устинов С.А., Нафигин И.О., Петров В.А. Нейронные сети и возможности их применения для анализа пространственных геологических данных // Новые идеи в науках о Земле: Материалы XV Международной научно-практической конференции, Москва, 1–2 апреля 2021 г. М.: РГГУ им. С. Орджоникидзе, 2021. Т. 4. С.33–36.
Ищукова Л.П., Игошин Ю.А., Авдеев Б.В., Губкин Г.Н., Филипченко Ю.А., Попова А.И., Рогова В.П., Макушин М.Ф., Хоментовский Б.Н., Спирин Э.К. Геология Урулюнгуевского рудного района и молибден-урановых месторождений Стрельцовского рудного поля. М.: Геоинформмарк, 1998. 526 с.
Кузнецов В.В., Брель А.И., Богославец Н.Н., Елшина С.Л., Кузнецова Т.П., Серавина Т.В. Металлогения Приаргунской структурно-формационной зоны // Отечественная геология. 2018. № 2. С.32–43.
Машковцев Г.А., Петров В.А. Пути совершенствования научно-методических основ поисковых работ на твердые полезные ископаемые // Актуальные проблемы поисковой геологии: Сб. докладов научно-практической конференции, Москва, 22–24 ноября 2022 г. М.: ВНИИМС им. Н.М. Федоровского, 2023. С.195–208.
Петров В.А., Андреева О.В., Полуэктов В.В., Коваленко Д.В. Тектономагматические циклы и геодинамические обстановки формирования рудоносных систем Южного Приаргунья // Геология рудных месторождений. 2017. Т. 59, № 6. С.445–469. https://doi.org/10.7868/S0016777017060016
Шивохин Е.А., Озерский А.Ф., Артамонова Н.А., Духовский А.А., Карасев В.В., Куриленко А.В., Надеждина Т.Н., Павленко Ю.В., Раитина Н.И., Шор Г.М. Государственная геологическая карта Российской Федерации. Масштаб 1:1 000 000 (третье поколение). Серия Алдано-Забайкальская. Лист М-50 – Борзя. Объяснительная записка. СПб.: ВСЕГЕИ, 2010. 562 с.
Dramsch J.S. 70 years of machine learning in geoscience in review // Adv. Geophys. 2020. V. 61. P.1–55. https://doi.org/10.1016/bs.agph.2020.08.002
Gonbadi A.M., Tabatabaei S.H., Carranza E.J.M. Supervised geochemical anomaly detection by pattern recognition // J. Geochem. Expl. 2015. V. 157. P.81–91. https://doi.org/10.1016/j.gexplo.2015.06.001
He K., Zhang X., Ren Sh., Sun J. Deep residual learning for image recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 27–30 June 2016. P.770–778. https://doi.org/10.1109/CVPR.2016.90
Huang G., Liu Zh., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 21–26 July 2017. P.2261–2269. https://doi.org/10.1109/CVPR.2017.243
Kirkwood C., Cave M., Beamish D., Grebby S., Ferreira A. A machine learning approach to geochemical mapping // J. Geochem. Expl. 2016. V. 167. P.49–61. https://doi.org/10.1016/j.gexplo.2016.05.003
Kong Q., Trugman D.T., Ross Z.E., Bianco M.J., Meade B.J., Gerstoft P. Machine learning in seismology: Turning data into insights // Seismol. Res. Lett. 2019. V. 90, N 1. P.3–14. https://doi.org/10.1785/0220180259
Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Comm. ACM. 2017. V. 60, Iss. 6. P.84–90. https://doi.org/10.1145/3065386
Lary D.J., Alavi A.H., Gandomi A.H., Walker A.L. Machine learning in geosciences and remote sensing // Geosci. Front. 2016. V. 7, Iss. 1. P.3–10. https://doi.org/10.1016/j.gsf.2015.07.003
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521, N 7553. P.436–444. https://doi.org/10.1038/nature14539
Li Sh., Chen J., Xiang J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data // Neural Comput. Applicat. 2020. V. 32, Iss. 7. P.2037–2053. https://doi.org/10.1007/s00521-019-04341-3
O’Brien J.J., Spry P.G., Nettleton D., Xu R., Teale G.S. Using random forests to distinguish gahnite compositions as an exploration guide to Broken Hill-type Pb–Zn–Ag deposits in the Broken Hill domain, Australia // J. Geochem. Expl. 2015. V. 149. P.74–86. https://doi.org/10.1016/j.gexplo.2014.11.010
Shen Ch. A transdisciplinary review of deep learning research and its relevance for water resources scientists // Water Resour. Res. 2018. V. 54, Iss. 11. P.8558–8593. https://doi.org/10.1029/2018WR022643
Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // Proc. 36th International Conference on Machine Learning (ICML), Long Beach, CA, 9–15 June 2019. P.6105–6114. https://doi.org/10.48550/arXiv.1905.11946
Twarakavi N.K.C., Misra D., Bandopadhyay S. Prediction of arsenic in bedrock derived stream sediments at a gold mine site under conditions of sparse data // Nat. Resour. Res. 2006. V. 15, Iss. 1. P.15–26. https://doi.org/10.1007/s11053-006-9013-6
Valentine A., Kalnins L. An introduction to learning algorithms and potential applications in geomorphometry and Earth surface dynamics // Earth Surf. Dynam. 2016. V. 4, Iss. 2. P.445–460. https://doi.org/10.5194/esurf-4-445-2016
Wang Zh., Di H., Shafiq M.A., Alaudah Y., AlRegib G. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review // The Leading Edge. 2018. V. 37, Iss. 6. P.451–461. https://doi.org/10.1190/tle37060451.1
Xiong Y., Zuo R. Recognition of geochemical anomalies using a deep autoencoder network // Comp. Geosci. 2016. V. 86. P.75–82. https://doi.org/10.1016/j.cageo.2015.10.006
Yadav N., Yadav A., Kumar M. An Introduction to Neural Network Methods for Differential Equations. Springer, 2015. 127 p. https://doi.org/10.1007/978-94-017-9816-7
Zhao J., Chen Sh., Zuo R. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China // J. Geoch. Expl. 2016. V. 164. P. 54–64. https://doi.org/10.1016/j.gexplo.2015.06.018
Zuo R., Xiong Y. Big data analytics of identifying geochemical anomalies supported by machine learning methods // Nat. Resour. Res. 2018. V. 27, Iss. 1. P.5–13. https://doi.org/10.1007/s11053-017-9357-0
Zuo R., Xiong Y., Wang J., Carranza E.J.M. Deep learning and its application in geochemical mapping // Earth-Sci. Rev. 2019. V. 192. P.1–14. https://doi.org/10.1016/j.earscirev.2019.02.023
Ищукова Л.П., Игошин Ю.А., Авдеев Б.В., Губкин Г.Н., Филипченко Ю.А., Попова А.И., Рогова В.П., Макушин М.Ф., Хоментовский Б.Н., Спирин Э.К. Геология Урулюнгуевского рудного района и молибден-урановых месторождений Стрельцовского рудного поля. М.: Геоинформмарк, 1998. 526 с.
Кузнецов В.В., Брель А.И., Богославец Н.Н., Елшина С.Л., Кузнецова Т.П., Серавина Т.В. Металлогения Приаргунской структурно-формационной зоны // Отечественная геология. 2018. № 2. С.32–43.
Машковцев Г.А., Петров В.А. Пути совершенствования научно-методических основ поисковых работ на твердые полезные ископаемые // Актуальные проблемы поисковой геологии: Сб. докладов научно-практической конференции, Москва, 22–24 ноября 2022 г. М.: ВНИИМС им. Н.М. Федоровского, 2023. С.195–208.
Петров В.А., Андреева О.В., Полуэктов В.В., Коваленко Д.В. Тектономагматические циклы и геодинамические обстановки формирования рудоносных систем Южного Приаргунья // Геология рудных месторождений. 2017. Т. 59, № 6. С.445–469. https://doi.org/10.7868/S0016777017060016
Шивохин Е.А., Озерский А.Ф., Артамонова Н.А., Духовский А.А., Карасев В.В., Куриленко А.В., Надеждина Т.Н., Павленко Ю.В., Раитина Н.И., Шор Г.М. Государственная геологическая карта Российской Федерации. Масштаб 1:1 000 000 (третье поколение). Серия Алдано-Забайкальская. Лист М-50 – Борзя. Объяснительная записка. СПб.: ВСЕГЕИ, 2010. 562 с.
Dramsch J.S. 70 years of machine learning in geoscience in review // Adv. Geophys. 2020. V. 61. P.1–55. https://doi.org/10.1016/bs.agph.2020.08.002
Gonbadi A.M., Tabatabaei S.H., Carranza E.J.M. Supervised geochemical anomaly detection by pattern recognition // J. Geochem. Expl. 2015. V. 157. P.81–91. https://doi.org/10.1016/j.gexplo.2015.06.001
He K., Zhang X., Ren Sh., Sun J. Deep residual learning for image recognition // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 27–30 June 2016. P.770–778. https://doi.org/10.1109/CVPR.2016.90
Huang G., Liu Zh., Van Der Maaten L., Weinberger K.Q. Densely connected convolutional networks // IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 21–26 July 2017. P.2261–2269. https://doi.org/10.1109/CVPR.2017.243
Kirkwood C., Cave M., Beamish D., Grebby S., Ferreira A. A machine learning approach to geochemical mapping // J. Geochem. Expl. 2016. V. 167. P.49–61. https://doi.org/10.1016/j.gexplo.2016.05.003
Kong Q., Trugman D.T., Ross Z.E., Bianco M.J., Meade B.J., Gerstoft P. Machine learning in seismology: Turning data into insights // Seismol. Res. Lett. 2019. V. 90, N 1. P.3–14. https://doi.org/10.1785/0220180259
Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Comm. ACM. 2017. V. 60, Iss. 6. P.84–90. https://doi.org/10.1145/3065386
Lary D.J., Alavi A.H., Gandomi A.H., Walker A.L. Machine learning in geosciences and remote sensing // Geosci. Front. 2016. V. 7, Iss. 1. P.3–10. https://doi.org/10.1016/j.gsf.2015.07.003
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521, N 7553. P.436–444. https://doi.org/10.1038/nature14539
Li Sh., Chen J., Xiang J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data // Neural Comput. Applicat. 2020. V. 32, Iss. 7. P.2037–2053. https://doi.org/10.1007/s00521-019-04341-3
O’Brien J.J., Spry P.G., Nettleton D., Xu R., Teale G.S. Using random forests to distinguish gahnite compositions as an exploration guide to Broken Hill-type Pb–Zn–Ag deposits in the Broken Hill domain, Australia // J. Geochem. Expl. 2015. V. 149. P.74–86. https://doi.org/10.1016/j.gexplo.2014.11.010
Shen Ch. A transdisciplinary review of deep learning research and its relevance for water resources scientists // Water Resour. Res. 2018. V. 54, Iss. 11. P.8558–8593. https://doi.org/10.1029/2018WR022643
Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // Proc. 36th International Conference on Machine Learning (ICML), Long Beach, CA, 9–15 June 2019. P.6105–6114. https://doi.org/10.48550/arXiv.1905.11946
Twarakavi N.K.C., Misra D., Bandopadhyay S. Prediction of arsenic in bedrock derived stream sediments at a gold mine site under conditions of sparse data // Nat. Resour. Res. 2006. V. 15, Iss. 1. P.15–26. https://doi.org/10.1007/s11053-006-9013-6
Valentine A., Kalnins L. An introduction to learning algorithms and potential applications in geomorphometry and Earth surface dynamics // Earth Surf. Dynam. 2016. V. 4, Iss. 2. P.445–460. https://doi.org/10.5194/esurf-4-445-2016
Wang Zh., Di H., Shafiq M.A., Alaudah Y., AlRegib G. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review // The Leading Edge. 2018. V. 37, Iss. 6. P.451–461. https://doi.org/10.1190/tle37060451.1
Xiong Y., Zuo R. Recognition of geochemical anomalies using a deep autoencoder network // Comp. Geosci. 2016. V. 86. P.75–82. https://doi.org/10.1016/j.cageo.2015.10.006
Yadav N., Yadav A., Kumar M. An Introduction to Neural Network Methods for Differential Equations. Springer, 2015. 127 p. https://doi.org/10.1007/978-94-017-9816-7
Zhao J., Chen Sh., Zuo R. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China // J. Geoch. Expl. 2016. V. 164. P. 54–64. https://doi.org/10.1016/j.gexplo.2015.06.018
Zuo R., Xiong Y. Big data analytics of identifying geochemical anomalies supported by machine learning methods // Nat. Resour. Res. 2018. V. 27, Iss. 1. P.5–13. https://doi.org/10.1007/s11053-017-9357-0
Zuo R., Xiong Y., Wang J., Carranza E.J.M. Deep learning and its application in geochemical mapping // Earth-Sci. Rev. 2019. V. 192. P.1–14. https://doi.org/10.1016/j.earscirev.2019.02.023
