Для цитирования:
Николаенко С. В., Коваленко А. А., Натеганов А. Э., Крук П. Н., Дерюшев А. Б. Опыт применения машинного обучения при анализе сейсмических данных для выделения тектонических нарушений в различных сейсмогеологических условиях // Известия Саратовского университета. Новая серия. Серия: Науки о Земле. 2024. Т. 24, вып. 1. С. 49-55. DOI: 10.18500/1819-7663-2024-24-1-49-55, EDN: QKLHPI
Опыт применения машинного обучения при анализе сейсмических данных для выделения тектонических нарушений в различных сейсмогеологических условиях
В статье представлены результаты сравнительного анализа алгоритмов автоматического выделения тектонических нарушений на основании сейсмических данных, зарегистрированных в разных сейсмогеологических условиях. Для каждого типа геологического разреза (платформа, соляная тектоника, морские данные) был проведен расчет куба вероятности нарушений, выделенных аналитическим алгоритмом и с использованием обученных нейронных сетей.
- Barnes A. E. A filter to improve seismic discontinuity data for fault interpretation // Geophysics. 2006. Vol. 71, iss. 3. P. 1MJ-Z55. https://doi.org/10.1190/1.2195988
- Hall B. Facies classification using machine learning // The Leading Edge. 2016. Vol. 35, iss. 10. P. 818–924. https://library.seg.org/doi/10.1190/tle35100906.1
- Феоктистова О. В., Авдеев П. А. Инновационный подход к решению задачи интерпретации тектонических нарушений. Внедрение методики вероятностного прогноза систем нарушений на базе алгоритмов искусственного интеллекта // Нефть, газ, новации. 2021. № 4. С. 25–30. EDN: QZSAYD
- Авдеев П. А., Базанов А. К., Ефремов И. И., Мифтахов Р. Ф. Переход к использованию цифровых помощников в кинематической интерпретации данных СРР на примере задачи повышения качества сейсмических данных после суммирования и достоверности прогноза тектонической модели // Вестник нефтегазовой отрасли Казахстана. 2022. Т. 4, № 1. С. 50–57.