EXPLICIT, IMPLICIT ТА AI-МОДЕЛЮВАННЯ В ГЕОЛОГІЇ: ПОРІВНЯЛЬНИЙ АНАЛІЗ І ПЕРСПЕКТИВИ ІНТЕГРАЦІЇ
DOI:
https://doi.org/10.30970/vgl.40.09Ключові слова:
геологічне 3D моделювання, explicit-моделювання, явне моделювання, не явне моделювання, implicit-моделювання, штучний інтелект, AI-моделювання, тривимірні геологічні моделі, інтерпретація геолого-фізичних даних, моделювання родовищ корисних копалинАнотація
Геологічне 3D моделювання є одним з ключових етапів інтерпретації геолого-фізичних даних, що забезпечує формування тривимірного уявлення про будову родовища, розміри та глибину залягання геологічних тіл, закономірності розподілу корисних копалин. У зв’язку зі стрімким розвитком цифрових технологій та зростанням обсягів геолого-фізичних даних виникає потреба у порівнянні традиційних і новітніх методів моделювання, а особливо аналізу їх ефективності під час інтерпретації результатів геологічних дослідженнях. У роботі здійснено порівняльний аналіз explicit- та implicit- підходів, а також продемонстровано можливості застосування AI-алгоритмів (алгоритмів штучного інтелекту) для автоматизації та оптимізації процесу моделювання. Особливу увагу приділено відмінностям у способах інтерпретації геолого-фізичних даних, рівню участі геолога у створенні моделей, а також швидкості та достовірності побудови геологічних поверхонь і об’ємних структур. Проаналізовано переваги та обмеження кожного підходу з позиції їх застосування у сучасних програмних середовищах геологічного моделювання (explicit-моделювання – Micromine, Surpac, Leapfrog Geo; implicit-моделювання – RBF (Radial Basis Function), Kriging, PFI (Potential Field Interpolation), Spline; AI-моделювання – SVM (Support Vector Machine), k-NN (k-Nearest Neighbors), Naive Bayes classifier (наївний байєсівський класифікатор), Gradient Boosting (Градієнтне підсилювання), Gaussian Processes (Гауссівський процес), CNN (Convolutional Neural Network), LSTM (Long Short-Term Memory)). Обґрунтовано доцільність інтеграції різних підходів у межах єдиного процесу геологічного моделювання. Поєднання інтерпретації геологом, алгоритмічних методів побудови поверхонь та інструментів штучного інтелекту дозволяє підвищити точність геологічних моделей, оптимізувати час їх створення та покращити якість прогнозування положення геологічних об’єктів. Такий інтегрований підхід розглядається як перспективний напрям розвитку цифрової геології та геологічного 3D моделювання родовищ.
Посилання
Bergen K. J., Johnson P. A., de Hoop M. V., Beroza G. C. Machine learning for data-driven discovery in solid earth geoscience. Science. 2019. Vol. 363(6433). eaau0323.
Calcagno P., Courrioux G., Guillen A., Fitzgerald D., McInerney P. How 3D implicit geologic modeling is changing the industry. Oil & Gas Science and Technology. 2008. Vol. 63(4). P. 537–546.
Caumon G., Collon P., Le Carlier de Veslud C., Viseur S., Sausse J. Surface-based 3D modeling of geological structures. Mathematical Geosciences. 2009. Vol. 41. P. 927–945.
Houlding S. Practical geostatistics: modeling and spatial analysis. Berlin : Springer, 2000. 159 p.
Jessell M. W., Ailleres L., de Kemp E. A., Lindsay M., Wellmann F. Next generation threedimensional geologic modeling and inversion. Society of Economic Geologists Special Publication. 2014. Vol. 18. P. 261–272.
Karpatne A., Atluri G., Faghmous J. H. et al. Theory-guided data science: a new paradigm for scientific discovery from data. IEEE Transactions on Knowledge and Data Engineering. 2017. Vol. 29(10). P. 2318–2331.
Lajaunie C., Courrioux G., Manuel L. Foliation fields and 3D cartography in geology: principles of a method based on potential interpolation. Mathematical Geology. 1997. Vol. 29. P. 571–584.
Lary D. J., Alavi A. H., Gandomi A. H., Walker A. L. Machine learning in geosciences and remote sensing. Geoscience Frontiers. 2016. Vol. 7(1). P. 3–10.
Mallet J.-L. Geomodeling. New York : Oxford University Press, 2002. 624 p.
Reichstein M., Camps-Valls G., Stevens B. et al. Deep learning and process understanding for data-driven earth system science. Nature. 2019. Vol. 566. P. 195–204.
Turner A. K. Challenges and trends for geological modelling and visualization. Bulletin of Engineering Geology and the Environment. 2006. Vol. 65. P. 109–127.
Wellmann J. F., Caumon G. 3-D structural geological models: concepts, methods, and uncertainties. Advances in Geophysics. 2018. Vol. 59. P. 1–121.
Рис. 1. Інтерпольована поверхня шляхом використання RBF. URL: https://cdn.comsol.com/wordpress/2016/03/Surface-interpolation.png (дата звернення: 16.03.2026).
Рис. 2. Інтерпольована поверхня шляхом використання Kriging з обчисленою похибкою. URL: https://gisgeography.com/wp-content/uploads/2017/01/kriging-results.png (дата звернення: 17.03.2026).
Бубняк І., Ціхонь С., Ціхонь Т., Лущак У., Бігун М. Методи побудови 3D моделей геологічних тіл (на прикладі родовища Сауляк, Закарпаття). Вісник Львівського університету. Серія геологічна. 2023. Вип. 37. С. 97
Прокопенко О., Баряцька Н., Зацерковний В. (2024). Порівняння алгоритмів каркасного та неявного геологічного моделювання в Micromine. Географічний часопис Волинського національного університету імені Лесі Українки» 4, 151–160.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.



