СИСТЕМНЫЙ ПОДХОД К ГЕОДИНАМИЧЕСКОМУ РАЙОНИРОВАНИЮ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ


https://doi.org/10.17073/2500-0632-2018-3-14-25

Полный текст:


Аннотация

Рассмотрены методологические аспекты применения искусственных нейронных сетей для задач геодинамического районирования территорий при выборе мест размещения экологически опасных объектов (на примере объектов ядерного топливного цикла). Для преодоления неопределѐнности, обусловленной сложностью анализа информации о свойствах, процессах и строении геологической среды, используется системный подход анализа информации. Геологическая среда представляется как система взаимодействующего антропогенного объекта и окружающей среды, между которыми организованы связи. При оценке безопасности эксплуатации такого рода системы важным является мониторинг индикаторов состояния среды. Согласно современным нормативным требования и международных и отечественных организаций одним из главных, и в то же время сложных для определения индикаторов состояния площадок размещения объектов ядернотопливного цикла, являются современные движения земной коры. В работе мы изложили метод прогноза современных движений земной коры на основе искусственных нейронных сетей. На основе прогнозных кинематических характеристик земной коры можно выявить опасные по проявлению геодинамических процессов зоны: растяжения, сжатия, зоны накопления упругой энергии и так далее. Предварительные результаты, полученные на представленной архитектуре нейронной сети, показали положительную перспективу применения данной методологии для задач геодинамического районирования.


Об авторах

В. Н. Татаринов
Геофизический центр РАН; Институт физики Земли им. О.Ю. Шмидта
Россия


А. И. Маневич
Геофизический центр РАН; Национальный исследовательский технологический университет «Московский институт стали и сплавов»
Россия


И. В. Лосев
Геофизический центр РАН; Национальный исследовательский технологический университет «Московский институт стали и сплавов»
Россия


Список литературы

1. Dennis A., Haley B., Wixon R. Systems analysis and design. Wiley inc., 2012.  546 p.

2. Панкрушин В.К. Математическое моделирование и идентификация геодинамических систем. Новосибирск: СГГА, 2002.  424 с.

3. Tatarinov V.N., Kaftan, V.I., Seelev, I.N. Study of the Present-Day Geodynamics of the Nizhnekansk Massif for Safe Disposal of Radioactive Wastes. Atomic Energy. Springer. 2017. Volume 121, Issue 3, pp 203–207. DOI:10.1007/s10512-017-0184-5.

4. Zubovich, A. V., et al., GPS velocity field for the Tien Shan and surrounding regions // Tectonics. 2010. Vol. 29. TC6014. DOI: 10.1029/2010TC002772.

5. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004.  176 с.

6. Haykin S. Neural networks and learning machines. Pearson LTD, 1999.  938 p.

7. Esmaeilzadeh Sh., Afshari A., Motafakkerfard R. Integrating Artificial Neural Networks Technique and Geostatistical Approaches for 3D Geological Reservoir Porosity Modeling with an Example from One of Iran's Oil Fields. Petroleum Science and Technology Vol. 31. Iss. 11. 2013. doi.org/10.1080/ 10916466.2010.540617.

8. Vincenzo Barrile Giuseppe, Meduri Giuliana M., Bilotta Ugo, Monardi Trungadi. GPS- GIS and Neural Networks for Monitoring Control, Cataloging the Prediction and Prevention in Tectonically Active Areas. Procedia - Social and Behavioral Sciences. Vol. 223. 2016. Pp. 909- 914. doi.org/10.1016/j.sbspro.2016.05.314.

9. Татаринов В.Н., Татаринова Т.А. Учет масштабного эффекта при наблюдениях за деформациями земной поверхности спутниковыми навигационными системами // Маркшейдерский вестник.  2012.  № 5.  С. 15-19.

10. Маневич А.И., Татаринов В.Н. Применение искусственных нейронных сетей для прогноза современных движений земной коры // Исследования по геоинформатике: труды Геофизического центра РАН. 2017. Vol. 5. № 2. С. 37–48, DOI: 10.2205/2017BS045.

11. Chakraborty A., Goswami, D. Prediction of slope stability using multiple linear regression (MLR) and artificial neural network (ANN) // Arabian Journal of Geosciences. 2017. Vol. 10. Iss. 385. DOI: 10.1007/s12517-017-3167-x.

12. Miljanović M., Ninkov T., Sušić Z., Tucikesic S. Forecasting geodetic measurements using finite impulse response artificial neural networks // Indian journal of geo-marine sciences. 2017. Vol. 46. Iss. 9. Pp. 1743-1750.

13. Reiterer A., et al. A 3D optical deformation measurement system supported by knowledgebased and learning techniques // Journal of Applied Geodesy. 2009. Vol. 3. No. 1. Pp. 1-13.

14. Cheskidov V. Data flows management of mining natural/man-made systems integrated state monitoring // Исследования по геоинформатике: труды Геофизического центра РАН. 2017. Т. 5. № 1. С. 61-62.


Дополнительные файлы

Для цитирования: Татаринов В.Н., Маневич А.И., Лосев И.В. СИСТЕМНЫЙ ПОДХОД К ГЕОДИНАМИЧЕСКОМУ РАЙОНИРОВАНИЮ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ. Горные науки и технологии. 2018;(3):14-25. https://doi.org/10.17073/2500-0632-2018-3-14-25

For citation: Tatarinov V.N., Manevich A.I., Losev I.V. SYSTEM APPROACH TO GEODYNAMIC ZONING BASED ON ARTIFICIAL NEURAL NETWORKS. Mining science and technology. 2018;(3):14-25. (In Russ.) https://doi.org/10.17073/2500-0632-2018-3-14-25

Просмотров: 90

Обратные ссылки

  • Обратные ссылки не определены.


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2500-0632 (Online)