ПРИМЕНЕНИЕ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВЫДЕЛЕНИЯ ОСЕЙ ЛИНЕЙНЫХ АНОМАЛИЙ МАГНИТНОГО ПОЛЯ

Обложка

Цитировать

Полный текст

Аннотация

Статья посвящена применению свёрточных нейронных сетей (СНС) для автоматизированного выделения осей линейных аномалий магнитного поля. В ходе работы составлена оригинальная архитектура СНС на основе U-Net c использованием предобученных весов VGG-16, обучение которой выполнено на выборке из 500 модельных примеров. Рассматриваемый в работе подход может стать оптимальным инструментом при структурной интерпретации аномальных магнитных полей. В результате апробации предлагаемых СНС, на примере поля одного из участков Баренцева моря, выделены оси линейных аномалий, во многом совпадающие с положением осей, полученных ручной экспертной интерпретацией, что показывает высокую эффективность применения современных технологий искусственных нейронных сетей.

Об авторах

А. Д. Шклярук

Московский государственный университет имени М.В. Ломоносова; Институт прикладной геофизики имени академика Е.К. Федорова

Email: alexsh9898@yandex.ru
ORCID iD: 0009-0006-4450-5301
SPIN-код: 7316-2638
Кафедра геофизических методов исследования земной коры

К. М. Кузнецов

Московский государственный университет имени М.В. Ломоносова

Email: kirillkuz90@yandex.ru
ORCID iD: 0000-0001-5418-8641
SPIN-код: 3272-7257
Scopus Author ID: 7003635325
ResearcherId: GQI-2201-2022
Кафедра геофизических методов исследования земной коры, кандидат технических наук 2018

Список литературы

  1. Булычев А. А., Лыгин И. В., Соколова Т. Б. и др. Прямая задача гравиразведки и магниторазведки (конспект лекций). — Москва : Университетская книга, 2019. — 176 с.
  2. Лыгин И. В., Арутюнян Д. А., Соколова Т. Б. и др. Картирование магматических комплексов по данным гидромагнитных съемок Баренцевоморского региона // Физика Земли. — 2023. — № 4. — С. 96—114. — https: //doi.org/10.31857/s0002333723040075.
  3. Хайкин С. Нейронные сети: полный курс, 2-е издание. — Издательский дом «Вильямс», 2016. — 1104 с.
  4. Черников К. С., Горбачев С. В., Голованов Д. Ю. и др. Геологическая и экономическая эффективность применения гравиразведки и магниторазведки на разных стадиях геолого-разведочных работ // Геология нефти и газа. — 2020. — № 2. — С. 107—120. — https://doi.org/10.31087/0016-7894-2020-2-107-120.
  5. Шклярук А. Д. и Кузнецов К. М. Программа для выделения осей линейных аномалий магнитных и гравитационных полей на основе сверточных нейронных сетей RU 2024685140. — Федеральная служба по интеллектуальной собственности РФ, 2024.
  6. Deng J., Dong W., Socher R., et al. ImageNet: A large-scale hierarchical image database // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — IEEE, 2009. — https://doi.org/10.1109/cvpr.2009.5206848.
  7. He K., Zhang X., Ren S., et al. Identity Mappings in Deep Residual Networks. — arXiv, 2016. — https://doi.org/10.48550/ARXIV.1603.05027.
  8. Plouff D. Gravity and Magnetic fields of polygonal prisms and application to magnetic terrain corrections // Geophysics. — 1976. — Vol. 41, no. 4. — P. 727–741. — https://doi.org/10.1190/1.1440645.
  9. Ronneberger O., Fischer P. and Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. — Springer International Publishing, 2015. — P. 234–241. — https://doi.org/10.1007/978-3-319-24574-4_28.
  10. Shapiro L. G. and Stockman G. C. Computer Vision. — Prentice-Hall, 2000. — 375 p.
  11. Simonyan K. and Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. — arXiv, 2014. — https://doi.org/10.48550/ARXIV.1409.1556.
  12. Stankovic L. and Mandic D. Convolutional Neural Networks Demystified: A Matched Filtering Perspective Based Tutorial. — arXiv, 2021. — https://doi.org/10.48550/ARXIV.2108.11663.
  13. Szegedy C., Vanhoucke V., Ioffe S., et al. Rethinking the Inception Architecture for Computer Vision. — arXiv, 2015. — https://doi.org/10.48550/ARXIV.1512.00567.
  14. Tan M. and Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. — arXiv, 2019. — https://doi.org/10.48550/ARXIV.1905.11946.
  15. Venkatesan R. and Li B. Convolutional Neural Networks in Visual Computing: A Concise Guide. — CRC Press, 2017. — 186 p. — https://doi.org/10.4324/9781315154282.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Шклярук А.Д., Кузнецов К.М., 2025

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

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».