- PII
- 10.31857/S0869780923060115-1
- DOI
- 10.31857/S0869780923060115
- Publication type
- Status
- Published
- Authors
- Volume/ Edition
- Volume / Issue number 6
- Pages
- 4-15
- Abstract
- Assessing reliability of engineering geological models still requires further studies.. Much more attention is paid to the methodology for assessing the reliability and quality of models in oil and gas geology. A comparison of the methods used in this field with the methodology for assessing the quality of machine learning models showed the similarity of principles and approaches. Therefore, the algorithms for engineering geological modeling can be justified and calibrated using tools for evaluating the quality of machine learning models. The article systematizes and analyzes the metrics used in solving problems and classification, and describes the methodology of using cross-validation techniques to assess the quality of algorithms. The practical experience of constructing a computer stratigraphic-genetic model using various algorithmic approaches is described: on the basis of triangulation constructions, using ordinary kriging with automated variogram composition and using the custom heuristic algorithm that considers the history of sedimentation and technogenic transformation of the territory. It is shown that the problem of three-dimensional geological modeling can be considered both as a classification and regression problem. The error index of the stratigraphic-genetic model is proposed based on the calculation of the average absolute errors in determining the spatial position of geological layers. The proposed approaches are applicable to testing methodologies of engineering geological modeling in a broad sense, the verification of predictive models of any kind being the most difficult issue. It is emphasized that the development and filling of databases of various engineering and geological data should be intensified, including field and laboratory data, the results of their processing, forecast estimates and conclusions based on them, monitoring measurements of various kinds, remote sensing data, etc. The possibilities of processing and analyzing big data in engineering geology will allow us to move from subjective expert estimations to the application of modern approaches to modeling complexly formalized objects and phenomena using the capabilities of machine learning and artificial intelligence.
- Keywords
- <i>машинное обучение</i> <i>инженерно-геологическая модель</i> <i>оценка качества моделей</i> <i>кросс-валидация</i> <i>трехмерное инженерно-геологическое моделирование</i>
- Date of publication
- 19.09.2025
- Year of publication
- 2025
- Number of purchasers
- 0
- Views
- 14
References
- 1. Болдырев Г.Г. Трехмерное моделирование и визуализация данных инженерно-геологических изысканий. Состояние вопроса и практическая реализация // Инженерные изыскания. 2022. Т. XVI. № 1. С. 8–26.
- 2. Геологический атлас Москвы (в 10 томах с пояснительной запиской). Масштаб 1:10 000 / Под ред. А.В. Антипова. М: Изд-во ГУП “Мосгоргеотрест”, 2012.
- 3. Гулин В.В. Методы снижения размерности признакового описания документов в задаче классификации текстов // Вестник Московского энергетического института. 2013. № 2. С. 115–121.
- 4. Жидков Р.Ю., Абакумова Н.В., Рекун В.С. Применение комплексного ретроспективного анализа при определении конфигурации массивов техногенных грунтов на примере г. Москвы // Инженерная геология. 2023. Т. ХVIII. № 1. С. 18–34.
- 5. Закревский К.Е., Майсюк Д.М., Сыртланов В.Р. Оценка качества 3D моделей. М.: ООО “ИПЦ “Маска”, 2008. 272 с.
- 6. Закревский К.Е., Попов В.Л. История развития трехмерного геологического моделирования как метода изучения залежей нефти и газа // Известия Томского политехнического университета. Инжиниринг георесурсов. 2021. № 5. С. 89–100.
- 7. Королев В.А. О задачах цифровизации и искусственного интеллекта в инженерной геологии // Инженерная геология. 2021. Т. ХVI. № 1. С. 10–23.
- 8. Левянт В.Б., Ампилов Ю.П., Глоговский В.М. и др. Методические рекомендации по использованию данных сейсморазведки (2D, 3D) для подсчета запасов нефти и газа. М.: Министерство природных ресурсов. ОАО “Центральная геофизическая экспедиция”, 2006. 39 с.
- 9. Михайличенко А.А. Аналитический обзор методов оценки качества алгоритмов классификации в задачах машинного обучения // Вестник Адыгейского государственного университета. Сер. 4: Естественно-математические и технические науки. 2022. № 4 (311). С. 52–59.
- 10. Технология трехмерного моделирования геологической среды и ее апробация на объектах жилищного фонда города Москвы по программе реновации // 75 лет инженерных изысканий в Москве / Под ред. А.Ю. Серова и др. Тверь: Талан Групп, 2019. С. 185–189.
- 11. Трофимов В.Т., Королев В.А. О фундаментальных аспектах генетического подхода к изучению грунтов // Инженерная геология. 2019. Т. ХIV. № 1. С. 8–19.
- 12. Шепета Д.А., Головин Е.Н., Иванова М.С. Метрики качества алгоритмов машинного обучения в задачах мультиклассификации // Научная сессия ГУАП: сб. докладов научной сессии, посв. Всемирному дню авиации и космонавтики. В 3-х частях, Санкт-Петербург, 08–12 апреля 2019 г. Часть II. СПб: ГУАП, 2019. С. 278–281.
- 13. Box G.E.P. Robustness in the Strategy of Scientific Model Building / R.L. Launer, G.N. Wilkinson (ed.) // Robustness in Statistics – Academic Press. 1979. P. 201–236.
- 14. Baynes F.J., Parry S. Guidelines for the development and application of engineering geological models on projects. International Association for Engineering Geology and the Environment (IAEG) Commission 25 Publication № 1. 2022. 129 pp.
- 15. Geron A. Hands-On Machine Learning with Scikit-Learn and TensorFlow, Sebastopol: OREILLY. 2019. 548 pp.
- 16. Tsai W.P., Feng D., Pan M., et al. From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling // Nature Communications. 2021. V. 12 (1). P. 1–13.
