Тип публикации: статья из журнала
Год издания: 2026
Идентификатор DOI: 10.46698/VNC.2026.90.55.001
Ключевые слова: neural networks, machine learning, well logging, reservoir properties, porosity, permeability, geophysics, log interpretation, oil and gas bearing rocks, artificial intelligence, нейронные сети, машинное обучение, геофизические исследования скважин, коллекторские свойства, пористость, проницаемость, геофизика, интерпретация ГИС, нефтегазоносные породы, искусственный интеллект
Аннотация: Актуальность работы. Рост объемов аэрогеофизических данных и сложность геологического строения Северного Кавказа требуют разработки эффективных методов автоматизированной интерпретации магнитного поля. Традиционные подходы к анализу магнитных аномалий отличаются высокой трудоемкостью и значительной зависимостью от экспертной оценкиПоказать полностью. Цель исследования. Оценка эффективности методов машинного обучения для автоматизированной классификации магнитных аномалий Северного Кавказа по данным аэрогеофизической съемки. Методы исследования. Использованы данные аэромагнитной съемки различных масштабов, прошедшие предварительную обработку, включающую фильтрацию шумов, редукцию к полюсу и расчет производных магнитного поля. Для классификации аномалий применялись алгоритмы Support Vector Machine, Random Forest и сверточные нейронные сети. Качество моделей оценивалось по метрикам Accuracy, Precision, Recall и F1-score. Результаты.Установлено, что наибольшую эффективность демонстрируют сверточные нейронные сети, обеспечивающие точность классификации до 93 %. Выделенные магнитные аномалии хорошо согласуются с известными глубинными разломами, тектоническими нарушениями и магматическими образованиями Северного Кавказа. Дополнительно выявлены зоны магнитной контрастности, потенциально связанные со скрытыми структурными элементами. Полученные результаты подтверждают перспективность использования методов машинного обучения для автоматизации интерпретации аэрогеофизических данных и повышения достоверности региональных геофизических исследований Relevance. The rapid growth of airborne geophysical datasets and the complex geological structure of the North Caucasus require efficient approaches for automated interpretation of magnetic field data. Conventional methods of magnetic anomaly analysis are labor-intensive and strongly dependent on expert interpretation. Aim. To evaluate the effectiveness of machine learning methods for automated classification of magnetic anomalies in the North Caucasus using airborne geophysical survey data. Methods. Airborne magnetic survey data of different scales were used after preprocessing, including noise filtering, reduction to the pole, and calculation of magnetic field derivatives. Support Vector Machine, Random Forest, and convolutional neural networks were applied for anomaly classification. Model performance was assessed using Accuracy, Precision, Recall, and F1-score metrics. Results.Convolutional neural networks demonstrated the highest classification performance, achieving accuracy values of up to 93 %. The identified magnetic anomalies show good agreement with known deep faults, tectonic structures, and magmatic formations of the North Caucasus. Several additional zones of magnetic contrast potentially associated with concealed geological structures were also detected. The obtained results confirm the effectiveness of machine learning methods for automated interpretation of airborne geophysical data and for improving the reliability of regional geophysical investigations
Журнал: Геология и геофизика Юга России
Выпуск журнала: Т.16, №2
Номера страниц: 256-267
ISSN журнала: 22213198
Место издания: Владикавказ
Издатель: Владикавказский научный центр РАН