В данном учебном пособии рассмотрены подходы к решению прямых и обратных задач магниторазведки. Рассмотрено решение линейных и нелинейных обратных задач магниторазведки, в том числе с использованием нейросетей. Пособие может бать рекомендовано как для самостоятельного изучения курса «Современные компьютерные технологии», так и для подготовки к выполнению практических заданий

1. Машинное обучение для геохимических исследований (Классификация металлогенического плодородия в дуговых магмах и понимание формирования медно-порфировых месторождений)

2. Машинное обучение для структурных построений (Структурный контроль минерализации меди, Восточный Китай)

3. Машинное обучение для прогнозирования цели поиска (на основе сети выборочного переноса)

Currently, a geologist should manually fill an electronic table while he describes rocks or scratch a description on a blanket. This takes a lot of time and effort. Lots of researchers have developed their approach to autonomous rock classification. Unfortunately, all of them are based on a core column investigation. Most used a traditional approach to image classification based on a statistical analysis of images and machine learning techniques. Modern deep learning techniques were applied to classify and segment core images in this work. An important note is that previous works cover only core column examination, while this paper presents an approach to extract core columns from a core box. Thus, a geologist should not spend time on a manual description of the core or extraction of separate images out of a core box. This can be done by applying the developed algorithms described in this work. The algorithms were also included in a system which became worldwide available software.

Формализован и апробирован подход к региональному прогнозу областей получения притока нефти из баженовско-абалакского комплекса (БАК) в виде задачи классификации методом машинного обучения по прецедентам алгоритмом одиночного решающего дерева, с генетической селекцией комбинации атрибутов пространственных данных. Использованы данные испытаний 438 скважин и набор - 26 атрибутов пространственных данных, описывающих исследуемую территорию в пределах района с индексом Р-42 ХМАО-Югра. Определены проблем реализации исследования, влияющие на точность прогноза. Показано, что примененный метод машинного обучения путем построения одиночного бинарного решающего дерева, несмотря на то, что не способен охватить все многомерное пространство причинно-следственных связей между атрибутами, обладает приемлемым прогностическим потенциалом. В результате машинного обучения алгоритмом одиночного решающего дерева на обучающей выборке результатов испытаний БАК получен набор формализованных и разделенных по иерархическим уровням правил классификации. Тенденции изменений атрибутов при создании правил, могут быть использованы для формирования представлений об условиях нефтеносности баженовско-абалакского комплекса горных пород. Результаты представлены в виде региональной прогнозной схемы, на которой выделены классы для территории ХМАО-Югры, которые можно соотнести с перспективными областями для получения притока из баженовско-абалакского комплекса. 

An approach to the regional forecast for zones of oil inflow from Bazhen-Abalak formation has been formalized and tested. The task was to classify the spatial attributes by machine learning through precedents by algorithm of single decision tree with the genetic selection of combination of such attributes. The rules have been retrieved and the factors have been identified which influence the forecast for zones of oil inflow from Bazhen-Abalak formation intervals. The results are shown in the regional forecast scheme with identification of Bazhen-Abalak formation sweet spots in KhMAO-Yugra region of Russia. Such sweet spots can be correlated with perspective zones to get the inflow from the Bazhen-Abalak formation.