Application of Convolutional Neural Networks in Inverse Problems of Geoelectrics

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Neural networks (NNs) are successfully used to solve inverse and other problems in geophysics. The aim of this work, which is a continuation of a series of works by a group of authors, is to improve the efficiency of the NN method for solving nonlinear inverse 3D problems of geoelectrics, based on the construction of the author’s convolutional neural network. The network includes a number of additional special transformations (data compression, suppression of the influence of an unknown background environment, etc.) preceding the training of a classical MLP neural network and adapted to the inverse problem that is being solved. This allows us to formally, excluding the human factor, solve inverse problems of geoelectrics of large dimensions without specifying a first approximation based on data measured in areas whose dimensions exceed the dimensions of the network training area. The inversion speed is a few tens of seconds and does not depend on the physical dimensionality (2D or 3D) of the data. The solution to the inverse problem found using a trained neural network can, if necessary, be refined using a random search method. Numerical results of solving 3D geoelectric problems on model and field data are presented, confirming the stated development parameters.

Sobre autores

M. Shimelevich

Sergo Ordzhonikidze Russian State University for Geological Prospecting

Autor responsável pela correspondência
Email: shimelevich-m@yandex.ru
Rússia, Moscow, 117997

E. Rodionov

Sergo Ordzhonikidze Russian State University for Geological Prospecting; Schmidt Institute of Physics of the Earth, Russian Academy of Sciences

Email: evgeny_980@list.ru
Rússia, Moscow, 117997; Moscow, 123242

I. Obornev

Sergo Ordzhonikidze Russian State University for Geological Prospecting; Moscow State University

Email: o_ivano@mail.ru

Skobeltsyn Institute of Nuclear Physics

Rússia, Moscow, 117997; Moscow, 119991

Bibliografia

  1. Бердичевский М.Н., Дмитриев В.И. Модели и методы магнитотеллурики. М.: Научный мир. 2009. 680 с.
  2. Гужва А.Г., Доленко С.А., Оборнев Е.А. и др. Использование адаптивных алгоритмов отбора существенных признаков при нейросетевом решении обратной задачи электроразведки // Нейрокомпьютеры: разработка, применение. 2010. № 3. С. 46–54.
  3. Дмитриев В.И. Обратные задачи геофизики. Монография. М.: МАКС Пресс. 2012. 340 с.
  4. Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Научный мир. 2007. 712 с.
  5. Корженевский A.B. Использование искусственных нейронных сетей для решения обратных задач электроимпедансной и магнитоиндукционной томографии // Журнал радиоэлектроники. 2001. № 12. [Электронный ресурс http://jre.cplire.ru/jre/dec01/index_e.html]
  6. Оборнев Е.А., Оборнев И.Е., Родионов Е.А., Шимелевич М.И. Применение нейронных сетей в нелинейных обратных задачах геофизики // Журнал вычислительной математики и математической физики. 2020. Т. 60. № 6. С. 1053–1065. doi: 10.31857/S0044466920060071
  7. Оборнев Е.А., Шимелевич М.И., Доленко С.А., Шугай Ю.С. Классификация магнитотеллурических данных с использованием нейросетевого метода // Изв. высших учебных заведений. Геология и разведка. 2007. № 5. С. 60–68.
  8. Ротштейн А.П., Митюшкин Ю.И. Идентификация нелинейных зависимостей нейронными сетями // Проблемы бионики. 1998. №49. С.168–174.
  9. Сараев А.К., Антащук К.М., Никифоров А.Б., Прокофьев О.М., Романова Н.Е., Денисов Р.В. Возможности аудиомагнитотеллурических зондирований при решении структурных и поисковых задач в алмазоносных районах // Вопросы геофизики. 2010. Т. 443(43). С. 126–158.
  10. Спичак В.В., Борисова В.П., Фрейнберг Э.Б. и др. Трехмерная электромагнитная томография эльбрусского вулканического центра по магнитотелургическим и спутниковым данным //Вулканология и сейсмология. 2007. № 1. С. 58–73.
  11. Спичак В.В. Электромагнитная томография земных недр. М.: Научный мир. 2019. 374 с.
  12. Спичак В.В. Трехмерная байесовская инверсия. Электромагнитные исследования земных недр / Спичак В.В. (ред.). М.: Научный мир. 2005. С. 91–109.
  13. Спичак В.В., Попова И.В. Методология нейросетевой инверсии геофизических данных // Физика Земли. 2005. № 3. C. 71–85.
  14. Спичак В.В., Попова И.В. Применение нейросетевого подхода для реконструкции параметров трехмерной геоэлектрической структуры // Физика Земли. 1998. № 1. С. 39–45.
  15. Тихонов А.Н., Гласко В.Б., Дмитриев В.И. Математические методы в разведке полезных ископаемых. М.: изд-во “Знание”. Сер. Математика и кибернетика. 1983. № 12. 64 с.
  16. Тихонов А.Н., Гончарский А.В., Степанов В.В., Ягола А.Г. Численные методы решения некорректных задач. М.: Наука. 1990. 232 с.
  17. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука. 1979. 286 с.
  18. Фельдман И.С., Окулесский Б.А., Сулейманов А.К. и др. Электроразведка методом МТЗ в комплексе региональных нефтегазопоисковых работ в европейской части России // Записки Горного института. 2008. Т. 176. С. 125–131.
  19. Хайкин С. Нейронные сети: полный курс, 2-е издание. Пер. с англ. М.: ООО “И.Д. Вильямс”. 2006. 1104 с.
  20. Цымблер М.Л., Юртин А.А. Восстановление пропущенных значений временного ряда на основе совместного применения аналитических алгоритмов и нейронных сетей // Вычислительные методы и программирование. 2023. Т. 24. № 3. С. 243–259. DΟΙ:10.26089/NumMet.v24r318
  21. Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python. М.: ДМК Пресс. 2018. 358 с.
  22. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Аппроксимационный нейросетевой метод решения многомерных нелинейных обратных задач геофизики // Физика Земли. 2017. № 4. С. 100–109.
  23. Шимелевич М.И. Методы повышения устойчивости инверсии данных геоэлектрики на основе нейросетевого моделирования // Геофизика. 2013. № 4. С. 49–55.
  24. Шимелевич М.И. О методе расчета модуля непрерывности обратного оператора и его модификаций с приложением к нелинейным задачам геоэлектрики // Вычислительные методы и программирование. 2020. Т. 21. Вып. 4. С. 350–372. doi: 10.26089/NUMMET.V21R430
  25. Шимелевич М.И., Оборнев Е.А. Аппроксимационный метод решения обратной задачи МТЗ с использованием нейронных сетей // Физика Земли. 2009. № 12. С. 22–38.
  26. Шимелевич М.И., Оборнев Е.А. Аппроксимационный подход к решению обратной задачи геоэлектрики с использованием нейронных сетей. Тез. докл. Международная конференция “Обратные и некорректные задачи математической физики”. Новосибирск, Академгородок, 5–12 августа, 2012. С. 289.
  27. Шимелевич М.И., Оборнев Е.А. Нейросетевая инверсия МТ данных в классах параметризованных геоэлектрических разрезов // Физика Земли. 2007. № 3. С. 25–30.
  28. Шимелевич М.И., Оборнев Е.А. Применение метода нейронных сетей для аппроксимации обратных операторов в задачах электромагнитных зондирований // Известия высших учебных заведений. Геология и разведка. 1999. № 2. С. 102–106.
  29. Шимелевич М.И., Оборнев Е.А., Оборнев И.Е., Родионов Е.А. Алгоритм решения обратной задачи геоэлектрики на основе нейросетевой аппроксимации // Сибирский журнал вычислительной математики. 2018. Т. 21. № 4. С. 451–468. doi: 10.15372/SJNM20180408
  30. Шимелевич М.И., Родионов Е.А., Оборнев И.Е., Оборнев Е.А. Нейросетевая 3D инверсия полевых данных геоэлектрики с расчетом апостериорных оценок // Физика Земли. 2022. № 5. С. 3–13. doi: 10.31857/S0002333722050246
  31. Backus G. E. Bayesian inference in geomagnetism // Geophys. J. Int. 1988. V. 92(1). Р. 125–142.
  32. Bengio Y. Learning Deep Architectures for AI // Foundations and Trends in Machine Learning. V. 2. Is. 1. P. 1–127. 2009. doi: 10.1561/2200000006
  33. Cybenko G. Approximation by superpositions of a sigmoidal function // Math. Control Signals Syst. 1989. V. 2 (4). P. 303–314.
  34. Hidalgo H., Gomez–Trevino E., Swiniarski R. Neural network approximation of an inverse functional. Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94). 1994. V. 5. P. 3387–3392.
  35. Obornev I.E., Shimelevich M.I., Obornev E.A., Dolenko S.A., Rodionov E.A. Method of focusing neural network approximators for solving a nonlinear inverse problem of geophysics. Conference Proceedings, 1st Regional Conference on Data Science in Oil and Gas 2020. P. 1–6. doi: 10.3997/2214-4609.202054022
  36. Poulton M., Glass C., Sternberg B. Recognizing EM ellipticity patterns with neural networks. 59th Ann. Internat. Mtg., Soc. Expl. Geophys. 1989. P. 208–212.
  37. Poulton M., Sternberg B., Glass C. Neural network pattern recognition of subsurface EM images // Journal of Applied Geophysics. 1992. V. 29. Is. 1. P. 21–36.
  38. Poulton М.М. Neural networks as an intelligence amplification tool: A review of applications // Geophysics. 2002. V. 67. Is. 3. Р. 979–993. doi: 10.1190/1.1484539
  39. Raiche A. A pattern recognition approach to geophysical inversion using neural nets // Geophysics J. Int. 1991. V. 105. Is. 3. Р. 629–648.
  40. Shimelevich M., Obornev E. The method of neuron network in inverse problems MTZ. Abstracts of the 14-th workshop on Electromagnetic Induction in the Earth, Sinaia. Romania, 1998. P. 159.
  41. Ziming Liu, Yixuan Wang, Sachin Vaidya, Fabian Ruehle, James Halverson, Marin Soljačić, Thomas Y. Hou, Max Tegmark. KAN: Kolmogorov-Arnold Networks. arXiv. 2024.doi: 10.48550/arXiv.2404.19756
  42. Spichak V., Popova I.V. Artificial neural network inversion of MT-data in terms of 3D earth macro-parameters // Geoph. J. Int. 2000. V. 142. P. 15-26.
  43. Spichak V.V. Computational Geo-Electromagnetics: Methods, Models and Forecasts. Cambridge, MA, USA: Elsevier. 2020. 462 p.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».