Browsing by Author "Дмитренко, Андрій Миколайович"
Now showing 1 - 4 of 4
- Results Per Page
- Sort Options
Item type:Item, Застосування методів машинного навчання в обробці 3D сейсмічних зображень(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Дмитрієва, Ірина Сергіївна; Дмитренко, Андрій МиколайовичUKR: У статті представлено комплексний технічний огляд застосування методів машинного навчання (МН) та глибокого навчання (ГН) для аналізу 3D сейсмічних зоб-ражень у геофізичній розвідці. Розглядається проблема обробки терабайтних обсягів сейсмічних даних, які традиційно вимагають місяців ручної інтерпретації, та обґрунтовується необхідність переходу до автоматизованих методів аналізу. Детально описуються основні архітектури нейронних мереж (CNN, U-Net, TransUnet) та їх застосування для ключових завдань: виявлення розломів, делімітації соляних тіл та класифікації літофацій. Особлива увага приділяється практичним аспектам впровадження МН, включаючи роботу з форматом SEGY через Python-бібліотеки, методи подолання дефіциту розмічених даних через синтетичну генерацію та аугментацію, а також використання публічних наборів даних (F3, FORCE) для навчання моделей. Висвітлюються сучасні напрямки досліджень, зокрема самоконтрольоване навчання (SSL) для роботи з нерозміченими даними, фізико-інформовані нейронні мережі (PINNs) для інтеграції геофізичних законів, та методи квантифікації невизначеності результатів.Item type:Item, Методи автоматизованої передобробки 3D сейсмічних даних(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Дмитрієва, Ірина Сергіївна; Дмитренко, Андрій МиколайовичUKR: У роботі досліджено сучасні методи автоматизованої передобробки 3D сейсмічних даних, спрямованих на підвищення якості геофізичної інтерпретації. Детально розглянуто характерні риси таких даних, через які виникає необхідність попереднього опрацювання: наявність сильних шумів, неоднорідність фізичних властивостей середовища та обробка великих масивів інформації. Описано традиційні підходи до передобробки, зокрема фільтрацію, нормалізацію, інтерполяцію, вирівнювання сигналів та методи їх підсилення. Значна увага зосереджена на інноваційних технологіях машинного навчання, включаючи використання згорткових нейронних мереж, автоенкодерів і генеративних моделей. Розглянуто перспективи автоматизації процесів передобробки за допомогою оптимізаційних алгоритмів та платформ AutoML. У підсумках виділено ключові переваги, існуючі обмеження та окреслено можливості подальшого розвитку гібридних підходів у даній галузі.Item type:Item, Методи штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Дмитрієва, Ірина Сергіївна; Дмитренко, Андрій МиколайовичUKR: Ця стаття висвітлює застосування методів штучного інтелекту для прогнозування покладів вуглеводнів з тривимірних сейсмічних зображень. У дослідженні розглядаються сучасні досягнення в галузі ШІ для інтерпретації сейсмічних даних, включаючи згорткові, рекурентні, графові нейронні мережі та трансформери. Автори аналізують існуючі обмеження, зокрема проблеми з якістю та кількістю навчальних даних, складнощі узагальнення та інтерпретації результатів. Стаття розглядає методи попередньої обробки та інженерії ознак сейсмічних зображень, стратегії робо-ти з обмеженими даними та окреслює перспективні напрямки для майбутніх досліджень у цій сфері.Item type:Item, Огляд методів ШІ для прогнозування покладів вуглеводнів з 3D-сейсмічних зображень(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Дмитрієва, Ірина Сергіївна; Дмитренко, Андрій МиколайовичUKR: Ця робота досліджує, як методи штучного інтелекту можна використовувати для виявлення потенційних скупчень вуглеводнів за допомогою 3D-сейсмічних зображень. Вона заглиблюється в сучасні досягнення ШІ в інтерпретації сейсмічних даних, охоплюючи такі методи, як згорткові та рекурентні нейронні мережі, графові нейронні мережі та трансформери. У статті також розглядаються значні перешкоди, такі як проблеми з доступністю та якістю навчальних даних, труднощі із застосуванням моделей до нових областей та складнощі, пов'язані з розумінням результатів. Крім того, вона торкається методів підготовки сейсмічних зображень та вилучення релевантних ознак, підходів до роботи з обмеженими даними та пропонує потенційні шляхи для майбутніх досліджень у цій галузі.