TGViewer
Channel Public Channel
Машинное обучение в геологии

Машинное обучение в геологии

@geoml_russia

Обзоры зарубежных и российских статей и немного - новостей, посвящённых теме машинного обучения в геологии и не только.
Для общения - https://t.me/GeoMLearning
Subscribers
1.08K
Photos
37
Videos
3
Links
89
Recent Posts 10 shown
Post #157 446

Forwarded from Геовебинары

Когда нейросеть берётся судить о границах РГЭ — держитесь крепче
Расчётные геологические элементы — вечная головная боль: где провести границу, какую пробу оставить, а какую исключить, и как потом обосновать это на защите отчёта. А что если этот спор вести не только с коллегами, но и с системой, которая реально понимает контекст лабораторных данных? 🧠
18 сентября разберём, как из большой языковой модели, данных и набора строгих правил принятия решений собирается harness — программная архитектура, превращающая LLM в полноценную экспертную систему для геотехнических задач. Коротко пройдёмся по основам работы LLM, промпт-инжинирингу, векторным представлениям и RAG — без лишней теории, только то, что реально нужно для сборки рабочего инструмента. ⚙️
А дальше — практика: система, которая проверяет корректность выделения РГЭ по лабораторным данным и сама формирует рекомендации — уточнить характеристики, скорректировать границы, исключить отдельные пробы. Не магия, а вполне объяснимая инженерия. 📊
Подключайтесь 18 сентября в 11:00 — разберём, как это работает изнутри:
https://geowebinar.com/webinars/ai_geotechnical_systems
#геовебинар #геотехника #РГЭ #искусственныйинтеллект #экспертныесистемы #геология #RAG
  • 🔥 8
Post #156 388
Продолжаем проводить геовебинары и приглашаем к выступлению и участию 👇
Post #155 683

Forwarded from Геовебинары

Когда нефтегазовый актив оценивает не один ИИ, а целая команда цифровых экспертов 🤖⛽️
Оценка перспективного актива обычно требует недель, а иногда и месяцев работы геологов, разработчиков, экономистов и инженеров. Но что если значительную часть этой работы взять на себя мультиагентной AI-системе?
🗓 9 июня 2026 года
🕚 11:00 (МСК)
На Платформе Геовебинары генеральный директор ООО «АВП ИИ» Глеб Ленский расскажет о реальном опыте создания системы, в которой работают сразу шесть специализированных агентов: от геологии и гидродинамики до экономики и бизнес-анализа.
🧠 Как устроена мультиагентная архитектура?
📊 Почему расчётные формулы вынесены за пределы языковой модели?
🔍 Где искусственному интеллекту уже можно доверять, а где необходим жёсткий контроль эксперта?
⚙️ Как организован каскад верификации запасов?
Геовебинар будет интересен геологам, перспективщикам, инженерам и всем специалистам, которые следят за практическим применением AI в недропользовании.
👉 Подключайтесь к трансляции и разбирайтесь в деталях:
https://geowebinar.com/webinars/multiagentnaya_ai_sistema_dlya_skrininga_neftegazovyh_aktivov_arhitektura_i_realnye_keysy
#Геовебинары #ИскусственныйИнтеллект #AI #Нефтегаз #Недропользование #Геология #Геологоразведка #Цифровизация #OilAndGas #DataScience
Post #154 710

Forwarded from Геовебинары

FWI — когда скоростная модель перестаёт быть «приближением» 🌍

В нефтегазовой сейсморазведке Full Waveform Inversion уже давно перестал быть «экзотикой для научных статей». Сегодня FWI — это один из ключевых инструментов построения высокоразрешающих моделей среды, где каждая ошибка в скорости может стоить очень дорого.
Но между красивыми картинками в публикациях и промышленным внедрением лежит целый набор непростых вопросов:
🔹 как работает полноволновая инверсия на практике;
🔹 почему cycle skipping остаётся главным ограничением метода;
🔹 зачем FWI нужны GPU-кластеры;
🔹 где в современной вычислительной геофизике начинают работать элементы ИИ.
На геовебинаре Юрий Никоненко (ООО «БурСервис», подразделение Цифровых Решений) разберёт не только теорию FWI, но и реальные вычислительные и производственные аспекты применения метода в современной сейсморазведке.

📅 26 мая 2026
🕚 11:00 (мск)

Геовебинар проходит в рамках тематической площадки «Программирование в геологии».
👉 Подключайтесь к трансляции:
https://geowebinar.com/webinars/full_waveform_inversion_ot_teorii_k_promyshlennomu_primeneniu_v_neftegazovoy_seysmorazvedke
#геофизика #сейсморазведка #FWI #FullWaveformInversion #нефтегаз #вычислительнаягеофизика #геология #программирование #GPU #инверсия
  • 👍 2
Post #152 911

Forwarded from ГГИС. Разрабатывай. Внедряй. Изучай.

🤖 ИИ на службе геологоразведки: от теории к первым месторождениям

Последнее десятилетие прошло под знаком бурного развития искусственного интеллекта. Мы привыкли, что нейросети пишут тексты, рисуют картины, ищут котиков на видео и прогнозируют продажи. Казалось бы, применение тех же технологий для поиска месторождений — задача очевидная. Ведь геологически/геохимические/геофизические карты — это те же изображения, а аномалии полезных ископаемых можно рассматривать как «объекты» на снимке.

Однако есть принципиальное отличие: если для обучения модели распознаванию котиков существуют миллионы снимков, то количество известных месторождений (особенно конкретного типа) исчисляется сотнями, а то и десятками. Этого катастрофически мало для «классического» машинного обучения.

🚀 Но сложности не остановили исследователей. За последние 6–7 лет на рынке появилось множество проектов, как внутрикорпоративных, так и коммерческих сервисов. Вот лишь некоторые из них:

• KoBold Metals — разработка собственного алгоритма для внутреннего использования.
• EarthAI — создание алгоритмов для совместной работы с юниорами и добывающими компаниями.
• VRIFY и VerAI — платформы, предоставляющие ПО для геологоразведки по модели SaaS.
• FLEET — разработка собственных решений.
• EIS — открытый проект Европейского союза (доступны инструменты на GitHub и плагин для QGIS).
• Институт имени Карпинского — разработка собственных алгоритмов и предоставление услуг с их использованием.

❓ Где обещанный результат? Вопрос, который волнует всех геологов.

Долгое время эффективность ИИ оставалась под вопросом, но недавно гонка технологий перешла в практическую плоскость.

🏆 Первые ласточки:
KoBold Metals громко заявили об открытии медно-кобальтового объекта «Mingomba» в Замбии (Центральноафриканский медный пояс). Это первый громкий успех ИИ в поиске металлов ( обзор о компании KoBold Metals и история открытия месторождения ).

В начале февраля канадская Equinox Gold опубликовала пресс-релиз об открытии новой золотоносной зоны «Minotaur» в 8 км от их месторождения Valentine. Открытие было сделано с использованием ИИ-платформы от компании VRIFY и уже подтверждено бурением (обзорная презентация от VRIFY)

💡 Важно отметить, что оба объекта находятся в пределах известных рудных узлов и вблизи существующих месторождений. Это подтверждает гипотезу, что на данном этапе ключевым фактором успеха является наличие качественного эталонного объекта для обучения модели. ИИ пока эффективнее работает на масштабе локальных структур, чем на региональном уровне, но важно что первые результаты уже есть.

По этой ссылке вы можете ознакомится боле консервативным взглядом/анализом Александра Шпектрова на проекты KoBold Metals (анализ открытия объекта «Mingomba») и проекты команды EarthAI.
  • ❤ 7
  • 👍 1
Post #151 638
Post #139 572

Forwarded from Crazy Scientist | Геотехника | Образование

Применение интерпретируемых методов машинного обучения (ML) для анализа взаимосвязей между физическими, механическими свойствами и генетическим типом грунтов Санкт-Петербурга

При выполнении инженерно-геологических изысканий изыскатели и проектировщики часто опираются на нормативные табличные значения свойств грунтов из СП 22.13330.2016 и номограмм ТСН 50-302-2004. Это удобный и привычный инструмент.
Однако у этих зависимостей есть очевидные ограничения:
• не раскрывается, на каких массивах экспериментальных данных они построены;
• неясна репрезентативность выборок и область их применимости;
• не оценивается пространственная степень неопределённости значений — применимы ли значения ТСН для Ленинградкой области? Если да, то насколько?
Фактически мы используем усреднённые характеристики без статистического обоснования.
При этом за последние десятилетия накоплены большие массивы лабораторных и полевых испытаний. А можно ли на основе этих данных количественно проверить существующие зависимости, уточнить их?

Для этого в настоящей работе используются методы машинного обучения как инструмент статистического анализа больших выборок. Интерпретируемые же модели позволяют:
• выявлять устойчивые взаимосвязи (или их отсутствие) между физическими свойствами, генетическим типом и механическими характеристиками;
• оценивать вклад отдельных факторов.
При этом возможно сопоставление полученных зависимостей (из ML) с нормативными, чтобы оценить, где они совпадают, а где — расходятся.
Иначе говоря, задача исследования — на основе реальных данных изысканий по г. Санкт-Петербургу и Ленинградской области статистически проверить и при необходимости уточнить нормативные зависимости прочностных и деформационных характеристик грунтов с учётом стратиграфо-генетической приуроченности и физических характеристик.
На настоящий момент ML-анализ механических свойств грунтов (по сдвиговым испытаниям КД и НН, компрессионным испытаниям, в т.ч. с повторной нагрузкой, трёхосным испытаниям КД) ещё не проведён! Подробнее — в карточках.

~ Шараев Дмитрий Васильевич,
аспирант 2-го года обучения по направлению "Инженерная геология, мерзлотоведение и грунтоведение".
dv.sharaev@yandex.ru
tg: @kigde
  • 👍 2
Post #138 518

Forwarded from Crazy Scientist | Геотехника | Образование

А вот и долгожданная рубрика "прожарим аспиранта"

Основные принципы:
- просто ответы "это всё фигня" не принимаются: либо не пишите, либо конструктивная критика/аргументы
- я буду сторонним наблюдателем
- уважаем друг друга и не ругаемся/оскорбляем

Два поста будут ниже описание [1 текст], инфографика [1 пост]
Post #137 840

Forwarded from ГеоИнфо

В статье Николая Никифорова и Евгения Барабошкина, опубликованной сегодня в ГеоИнфо, рассматривается алгоритм автоматизации контроля подлинности изображений керна в инженерно-геологических изысканиях. Основной целью разработки является повышение точности и снижение риска ошибок, обусловленных человеческим фактором при ручной проверке фотоматериалов. Предложенный подход включает три последовательных этапа: автоматическое выделение керна на изображениях, формирование уникального цифрового отпечатка с использованием нейронных сетей и выявление дубликатов на основе сравнения визуальных признаков. Результаты производственной апробации демонстрируют высокую эффективность метода: точность обнаружения дубликатов достигает 97%, полнота — 95%. Применение технологии позволяет ускорить процесс проверки изображений более чем в тысячу раз, устранить субъективность оценки и существенно сократить трудозатраты. Метод реализован в виде промышленного программного решения, внедрённого в продукты компаний Soilbox и Digital Petroleum, и готов к масштабированию на крупных проектах с возможностью дополнительной калибровки на корпоративных наборах данных.

Читайте в ГеоИнфо➡️
  • 👍 5
  • ❤ 1
Older posts →

About this channel

How can I read @geoml_russia without a Telegram account?
TGViewer shows the public web preview Telegram publishes for Машинное обучение в геологии: recent posts, photos, videos and the subscriber count, with no app, login or account.
How many subscribers does Машинное обучение в геологии have?
Машинное обучение в геологии (@geoml_russia) has 1.08K subscribers on Telegram, refreshed roughly every 30 minutes.
Does Машинное обучение в геологии know I viewed it here?
No. Public channel previews carry no viewer identity, and TGViewer has no accounts or tracking of what you look up.
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →