АО ГНПП Аэрогеофизика · Геофизика & AI/ML

Рабочие задачи

Примеры прикладных задач из портфолио: от сбора данных до решения поставленного геологического задания по ТЗ с использованием технологий машинного обучения.

Regression · Seismic

Моделирование опорных сейсмических горизонтов

КЕЙС 01

Задача: при помощи алгоритмов классического ML и DL смоделировать распределение глубин опорных горизонтов в межпрофильном пространстве на тестовом участке.

Результат: Среднее расхождение между фактическими глубинами на сейсмических профилях составляет десятки метров, а среднее время моделирования одного горизонта - около 4 часов. Полученные данные характеризуются большей детализацией, разрешенностью по сравнению с обычной интерполяцией и хорошей связью с потенциальными полями.

RMSEMSER²пространственная валидацияансамблирование
Deep Learning · 3D

Трехмерная инверсия потенциальных полей

КЕЙС 02

Задача трехмерной инверсии заключается в восстановлении распределений магнитных и гравитационных свойств между полученными структурными горизонтами.

Результат: Сокращение времени подбора распределений примерно в 5-6 раз: вместо порядка 30+ часов - 6-7 часов в зависимости от исходных данных.

CNNConv2DConv3DKeras
Ensemble ML

Автоматизированная классификация магнитных и гравитационных аномалий

КЕЙС 03

Цель: автоматизация распознавания ключевых признаков тектонической активизации с использованием ансамбля ML-моделей на основе данных магнитного и гравитационного полей.

Результат: Более 85% точности при идентификации крупных магматических тел, подтвержденных геологическими реперами региона.

XGBoostLightGBMCatBoostLogisticRegressionF1-score
Unsupervised ML

Выделение вещественно-петрофизических комплексов

КЕЙС 04

Задача - выделить устойчивые вещественно-петрофизические комплексы по комплексному набору геофизических признаков.

Результат: Выделено 9 устойчивых вещественно-петрофизических комплексов, соответствующих региональной петрофизической классификации. Верификация по керну составляет выше 82%.

K-meansDBSCANHDBSCANGaussian MixturePCA
Computer Vision

Выделение зон разломной тектоники на сейсмических разрезах

КЕЙС 05

Разломы напрямую влияют на распределение коллекторов и флюидов. Ручное прослеживание разломов по большим объемам сейсмических данных занимает значительное время и зависит от субъективной интерпретации.

Результат: Подход ориентирован на сокращение времени обработки разрезов после обучения модели, повышение воспроизводимости результата и масштабирование на большие объемы 2D/3D сейсмических данных.

U-Netsegmentationseismic imagesComputer Vision
CV · Edge inference

Детектирование зданий на аэрофотоснимках БПЛА

КЕЙС 06

Разработана система автоматического детектирования зданий на аэрофотоснимках (синтетических данных + реальных), полученных с БПЛА, для учета влияния наземных объектов при обработке аэромагнитных данных.

Результат: Проектные координаты выделенных зданий использовались для их автоматического учета влияния при обработке данных аэромагнитной съемки и последующей геофизической интерпретации.

YOLOmulti-scale inferenceTensorRTUAVobject detection