АО ГНПП Аэрогеофизика · Геофизика & AI/MLРабочие 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 01Задача: 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 02Задача 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 03Цель: 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 04Задача - 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 05Разломы 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 06Разработана 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