Российский государственный геологоразведочный университет им. Серго Орджоникидзе, Москва, Россия:

Оборнев Е. А., зав. кафедрой, канд. физ.-мат. наук, ObornevEA@mail.ru
Шимелевич М. И., зав. лабораторией, канд. физ.-мат. наук
Никитин А. А., проф., д-р физ.-мат. наук

Научно-исследовательский институт ядерной физики им. Д. В. Скобельцына Московского государственного университета им. М. В. Ломоносова, Москва, Россия:

Оборнев И. Е., старший научный сотрудник, канд. физ.-мат. наук

Представлен аппроксимационный метод интерпретации данных геоэлектрики (обратная задача геофизики) с помощью нейросетевого аппроксиматора (НС-палетки).

Работа выполнена с использованием вычислительных ресурсов Межведомственного суперкомпьютерного центра Российской академии наук (МСЦ РАН). Исследование осуществлено за счет гранта Российского научного фонда (проект № 14-11-00579).

1. Дмитриев В. И. Обратные задачи геофизики. – М. : МАКС Пресс, 2012. – 340 с.
2. Raiche A. A pattern recognition approach to geophysical inversion using neural nets // Geophysical Journal International. 1991. Vol. 105. Iss. 3. P. 629–648.
3. Никитин А. А., Черемисина Е. Н., Малинина С. С. Нейросетевое моделирование глубины залегания геологических границ по комплексу геофизических полей // Стратегия развития геологического исследования недр: настоящее и будущее (к 100-летию МГРИ – РГГРУ) : матер. междунар. науч.-практ. конф. – М. : НПП «Фильтроткани», 2018. Т. 1. С. 408–409.
4. Агбаш И. А., Соболев А. Ю. Построение быстрых аналогов прямых и обратных задач бокового электрического зондирования скважин с использованием технологии нейронных сетей // Интерэкспо Гео-Сибирь. 2016. Т. 2. № 1. С. 196–200.
5. Хусаинов А. Т. Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи // Научный форум. Сибирь. 2016. № 3. С. 69–71.
6. Московский И. Г., Балабан О. М., Федорова О. С., Кочетков А. В. Применение нейронных сетей при интерпретации данных электромагнитных зондирований вертикально-трещиноватых сред // Интернет-журнал «Науковедение». 2015. Т. 7 № 1(26). URL: https://naukovedenie.ru/PDF/05TVN115.pdf (дата обращения: 25.10.2018).
7. Shodiq M. N., Kusuma D. H., Rifqi M. G., Barakbah A. R., Harsono T. Neural Network for Earthquake Prediction Based on Automatic Clustering in Indonesia // International Journal on Informatics Visualization. 2018. Vol. 2. No. 1. P. 37–43.
8. Jiang Fei-Bo, Dai Qian-Wei, Dong Li. Nonlinear inversion of electrical resistivity imaging using pruning Bayesian neural networks // Applied Geophysics. 2016. Vol. 13. Iss. 2. P. 267–278.
9. Raj A. S., Oliver D. H., Srinivas Y. An automatic inversion tool for geoelectrical resistivity data using supervised learning algorithm of adaptive neuro fuzzy inference system (ANFIS) // Modeling Earth Systems and Environment. 2015. Vol. 1. DOI: 10.1007/s40808-015-0006-5
10. Cranganu C., Luchian H., Breaban M. E. Artificial Intelligent Approaches in Petroleum Geosciences. – Cham : Springer, 2015. – 290 p.
11. Шимелевич М. И., Оборнев Е. А., Оборнев И. Е., Родионов Е. А. Численные методы оценки степени практической устойчивости обратных задач геоэлектрики // Физика Земли. 2013. № 3. С. 58–64.
12. 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.
13. Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. – 2-е изд. – М. : Наука, 1979. – 288 c.
14. Фельдман И. С., Окулесский Б. А., Сулейманов А. К., Николаева В. И., Кунчеров В. А., Чамо С. С. Электроразведка методом МТЗ в комплексе региональных нефтегазопоисковых работ в европейской части России // Записки Горного института. 2008. Т. 176. С. 125–131.