Məqalədə süni intellekt (Sİ) metodlarının litofasiyaların xəritələşdirilməsi və süxurların kollektor xüsusiyyətlərinin qiymətləndirilməsində tətbiq imkanları araşdırılmışdır. Sİ metodunun seçimi məlumatların xarakterindən, tədqiqatın məqsədlərindən (təsnifat, reqressiya, klasterləşmə, təsvirlərin seqmentasiyası), eləcə də interpretasiya və modelləşdirməyə qoyulan tələblərdən asılı olaraq müəyyən edilir. SVM, RF və CNN və digər maşın öyrənməsi alqoritmləri təhlil olunmuşdur. Bu metodların effektivliyi açıq mənbəli məlumatlar və real geoloji verilənlər əsasında qiymətləndirilmiş, onların üstünlükləri və məhdudiyyətləri müəyyən edilmişdir. Süni intellekt metodlarının seçiminə təsir edən əsas amillər müəyyənləşdirilmiş və geoloji vəzifələrin təsnifatına uyğun metodlar təqdim edilmişdir. Bunlara SVM, RF, xətti və polinomial reqressiya, k-means klasterləşməsi, iyerarxik klasterləşmə və konvolyusion neyron şəbəkələr (CNN) daxildir. TensorFlow, PyTorch və Keras kimi açıq mənbə kodlu maşın öyrənməsi platformaları təqdim olunmuş və litofasiyaların analizi ilə kollektor xüsusiyyətlərinin qiymətləndirilməsi üçün optimal metodun seçiminə təsir göstərən amillər müzakirə edilmişdir. Müəyyən geoloji məsələlərin həlli üçün konkret metodlara dair tövsiyələr verilmişdir. Modelin həddindən artıq öyrədilməsi (overfitting) riskinin qarşısının alınması məqsədilə verilənlərin həcmi və keyfiyyətinin əhəmiyyəti xüsusi vurğu­lanmışdır. Cənub-Şərqi Xəzər regionunun geoloji şəraitində dəstək vektorları metodu, təsadüfi meşə və neyron şəbəkələrin yüksək nəticə verdiyi müəyyən edilmişdir. Hər bir metodun spesifik üstünlükləri qeyd olunmuşdur. Araşdırmada ilkin məlumatların keyfiyyəti, nəticələrin interpretasiya imkanları və metodların konkret geoloji şəraitə uyğunlaşdırılması ilə yanaşı, modelin həddindən artıq öyrədilməsi ilə bağlı əsas problemlər də nəzərdən keçirilmişdir. Müzakirə və nəticələr bölməsində isə maşın öyrənməsi metodlarının konkret geoloji məsələlər və onların tətbiq oluna biləcəyi şəraitə uyğun istifadəsi ətraflı təhlil olunmuşdur.

Açar sözlər: süni intellekt, maşın öyrənməsi, geoloji vəzifələrin təsnifatı, xətti və polinomial reqressiya, litofasiyaların klaster­ləşdirilməsi, kollektor xüsusiyyətləri

ƏDABİYYƏT

Easyoffer.ru. Что такое переобучение модели. URL: https://easyoffer.ru/question/5440 (дата обращения: 10.10.2023).

Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: Data mining, inference, and prediction. 2nd ed. Springer. New York, 2009, 745 p.

Merembayev T., Kurmangaliyev B., Bekbauov B., Amanbek, Ye. A comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies. Vol. 14, No. 7, 2021, p. 1896, DOI: https://doi.org/ 10.3390/en14071896.

Ng A. Artificial Intelligence (AI) for Everyone. Deep Lear­ning.AI. 2023, URL: https://www.deeplearning.ai (дата обращения: 10.10.2023).

Priezzhev I.I., Veeken P.C.H., Egorov S.V., Nikiforov A.N., Strecker U. Seismic waveform classification based on Kohonen 3D neural networks with RGB visualization. First Break, Vol. 37, No. 2, 2019, pp. 37-43.

Scikit-learn: Machine Learning in Python. Официальная документация. URL: https://scikitlearn.org/stable/user_guide.html.

Браун А.Р. Интерпретация трехмерных сейсмических данных. Пер. с англ. Общество инженеров-геофизиков (SEG), Москва, 2011.

Введение в машинное обучение. URL: https://habr.com/ru/ post/448892/ (дата обращения: 3.09.2019).

Добрынин В.М., Вендельштейн Б.Ю., Кожевников Д.А. Интерпретация и моделирование геофизических данных. Недра. Moscow, 2009, 456 с.

Keras: The Python Deep Learning API. Официальная документация. URL: https://keras.io/.

Колбикова Е.С. Литофациальный анализ и возможности прогнозирования свойств по данным геофизических исследований и сейсморазведки методами машинного обучения. ООО «Роксар Парадайм – ПО и Решения». Москва, 2021, 120 с.

KPMG Кавказ и Центральная Азия. Технологическое исследование 2024. KPMG. Февраль 2025.

Нейронные сети для начинающих. Часть 1. Habr. URL: https://habr.com/ru/articles/312450 (дата обращения: 10.10.2023).

Нейронные сети. Psy.Wikireading. URL: https://psy.wikireading.ru/ 12215 (дата обращения: 10.10.2023).

Приезжев И.И., Тайкулаков Е.Е., Каюмов И.Л., Леонов А.В., Горбач Д.А., Мирошкин В.Г., Овечкина В.Ю. Прямой нейросетевой прогноз коллекторских свойств пласта по данным сейсморазведки на примере клиноформных отложений Западной Сибири. PROНефть. Профессионально о нефти, Т. 8, No. 2, 2023, с. 28-39, DOI: https://doi.org/ 10.51890/2587-7399-2023-8-2-28-39.

Шамаев С.Д. Применение методов искусственного интеллекта при обработке и интерпретации данных геофизических методов. Известия УГГУ, № 1 (65), 2022, с. 86-101.

Упрощённое объяснение новой сети Колмогорова-Арнольда из MIT. Habr. 2024. URL: https://habr.com/ru/articles/ 817547 (дата обращения: 10.10.2023).