Нейронная сеть : классификации сейсмических сигналов от промышленных взрывов в карьерах.

Недавний прогресс в методах зондирования, обработки и анализа обеспечивает быстрое развитие сейсмологии, что, в частности, привело к увеличению вычислительной мощности массивных сейсмических данных . В то время как более ранние исследования в основном использовали традиционный анализ данных методов, а в последнее время искусственный интеллект (ИИ) предоставляет эффективные инструменты для обработки этих данных и извлечения полезной информации, чтобы делать надежные прогнозы и принимать решения в сейсмологии. Следовательно, сейсмология, усиленная ИИ, в значительной степени зависит от того, как использовать подходы ИИ (например, машинное обучение (ML) или глубокое обучение (DL)) для получения эффективных данных обнаружения среди шума и обнаружения землетрясений, которые находятся на уровне шума или ниже него, как указано на рис. 1 б.

Подходы ИИ в сейсмическом анализе.

Применение подхода ИИ к интеллектуальному анализу, обработке и анализу данных существенно повышает точность и эффективность обнаружения землетрясений, что открывает широкие возможности для разработки многоцелевых сейсмических сетей. Некоторыми примерами являются обнаружение и выбор фазы, раннее предупреждение, предсказание движения грунта, томография., геодезия и т. д. Благодаря способности ИИ фиксировать тонкие функциональные взаимосвязи между переменными без необходимости предполагать предварительную форму взаимосвязи, можно получить сложную информацию о факторах землетрясения (например, время, местоположение, магнитуда и возможные повреждения). извлечено. Напротив, почти все традиционные статистические методы могут предоставить существующие взаимосвязи между сейсмическими данными только тогда, когда известны предварительные знания о нелинейной природе переменных. Еще одно преимущество ИИ по сравнению с традиционными методами заключается в том, что он способствует повышению вычислительной эффективности при принятии решений в отношении землетрясений при одновременном снижении частоты ошибок.

Как ветвь ИИ, машинное обучение включает в себя системы, способные автоматически обучаться на данных, выявлять закономерности и принимать решения. Прелесть машинного обучения в том, что оно позволяет компьютерам учиться без явного программирования. Большинство методов, основанных на машинном обучении, основаны на биологическом обучении. В сейсмологии машинное обучение использует ряд методов для поиска неотъемлемых правил и зависимостей между данными, а затем их классификации или регрессии. Кроме того, машинное обучение обычно используется для категоризации и анализа невидимых закономерностей или особенностей в обнаруженных данных, поскольку оно, в отличие от сейсмологов, которые анализируют данные, используя интуицию и логику, обнаруживает неучтенные особенности, выходящие за рамки человеческих возможностей.

Трещины массива горных пород встречаются на поверхности разрыва сплошности в горных породах без признаков. Они существенно влияют на физико-механические свойства горных пород, и их, в свою очередь, необходимо учитывать при планировании добычных работ и строительстве горнотехнических сооружений. Решить эту проблему можно путем применения методов искусственного интеллекта (ИИ), так как они собирают объемы больших данных.

В качестве метода искусственного интеллекта для обнаружения массива горных пород по данным георадиолокации была выбрана сверточная нейронная сеть, так как она наиболее чувствительна к характеристикам показателей и достигает высокой степени проникновения к шуму.