Бесплатный автореферат и диссертация по наукам о земле на тему

Прогнозирование верхней части геологического разреза по инженерно-геофизическим данным с использованием интеллектуальной системы

ВАК РФ 25.00.35, Геоинформатика

Автореферат диссертации по теме "Прогнозирование верхней части геологического разреза по инженерно-геофизическим данным с использованием интеллектуальной системы"

Мусихина Олеся Михайловна

ПРОГНОЗИРОВАНИЕ ВЕРХНЕЙ ЧАСТИ ГЕОЛОГИЧЕСКОГО РАЗРЕЗА ПО ИНЖЕНЕРНО-ГЕОФИЗИЧЕСКИМ ДАННЫМ С ИСПОЛЬЗОВАНИЕМ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ

Специальность 25 00 35 - «Геоинформатика»

Автореферат диссертации на соискание ученой степени кандидата геолого-минералогических наук

Иркутск 2008

□ОЗ172937

003172937

Работа выполнена в Иркутском государственном техническом университете

Научный руководитель кандидат геолого-минералогических наук, доцент Мироманов Андрей Викторович

Официальные оппоненты

доктор технических наук, профессор Массель Людмила Васильевна, главный научный сотрудник ИСЭМ СО РАН

доктор геолого-минералогических наук, профессор Филонюк Виталий Андреевич, профессор кафедры геологической съемки, поисков и разведки МПИ, ИрГТУ

Ведущая организация

Институт геохимии им А П Виноградова СО РАН

Защита состоится «19» июня 2008 г в 1500 на заседании диссертационного совета Д 212 073 01 при Иркутском государственном техническом университете, 664074, Иркутск, ул Лермонтова, 83, ауд Е-301, тел /факс 8 (3952) 405112, dis@istu edu

С диссертацией можно ознакомиться в библиотеке Иркутского государственного технического университета

Автореферат разослан «19» мая 2008 г

Ученый секретарь диссертационного совета

Мальцева Г Д

АКТУАЛЬНОСТЬ

Прогнозирование верхней части геологического разреза (прогнозирование ВЧР) - это извлечете знаний о детальном строении среды из данных, получаемых геофизическими исследованиями Суть этого процесса заключается в определении литологичсского строения верхней части разреза исследуемого участка земной коры по установленным зависимостям между измеряемыми геофизическими методами величинами и физико-механическими свойствами пород Таким образом, геологическая среда не нарушается, тк измерения геофизических величин происходят с поверхности Сравнительно Небольшой объем бурения используется только для контроля результатов прогнозирования

Прогнозирование ВЧР - инженерная задача Она возникает при строительстве гражданских и промышленных зданий и строений, прокладке различных коммуникаций (дорог, ЛЭП, систем водоснабжения и канализации, разных типов линий связи и т п ) Для решения этой задачи применятся цель й комплекс методов - геологических, лабораторных, геофизических Это требует больших временных, трудовых и финансовых затрат

Несомненно, информационные технологии облегчают труд и сокращают время обработки того огромного массива данных, с которым приходится иметь дело при инженерных изысканиях Однако роль человеческого фактора при этом не только не исключается, но и очень ответственна Адекватность геологической интерпретации полученных во время изысканий данных реальному литологическому строению исследуемого участка зависит напрямую от знаний и опыта интерпретатора

В то же время опытный специалист обладает так называемой профессиональной интуицией, он способен бегло, но точно оценить ситуацию, основываясь только на собственном опыте Автор считает, что профессионализм заключается, прежде всего, в том, чтобы извлечь максимум полезной информации из минимального количества данных

Очевидно, что опыт, накопленный одним специалистом, будет воспринят другим специалистом по-своему Отсюда возникает проблема преемственности, когда профессионалы уходят, а им на смену приходят еще не слишком опытные молодые специалисты

Таким образом, актуальность научного исследования обусловлена тем, что интеллектуальные системы (ИС) способны, с одной стороны, повыси-ь эффективность интерпретации геофизических данных, с другой стороны - в определенной степени решить проблему преемственности знаний

Объектом исследования является верхняя часть геологического разреза, т к именно она изучается при решении задач инженерной геофизики Предметом исследования является применение интеллектуальных систем при прогнозировании ВЧР

Цель исследования заключалась в повышении эффективности прогнозирования верхней части геологического разреза по геофизическим данным с использованием интеллектуальных систем При этом под

эффективностью понимается минимизация трудовых, финансовых и временных затрат без снижения качества результатов

Исходя из цели, были поставлены и решены следующие задачи исследования

■ Анализ современного состояния области искусственного интеллекта в приложении к наукам о Земле

■ Определение требований к интеллектуальным системам при прогнозировании ВЧР

■ Проектирование информационной системы с элементами искусственного интеллекта, предназначенной для прогнозирования ВЧР

■ Реализация проекта с целью демонстрации возможностей разработанной системы при прогнозировании ВЧР

" Апробация разработанной системы на фактическом материале

В качестве методов исследования применялись методы информационного моделирования, методы проектирования и реализации интеллектуальных систем, методы представления знаний, метод экспертных оценок

Научные положения, выносимые на защиту:

1 Предложен новый подход к идентификации пород на основе двух базовых характеристик плотность и скорость распространения упругих волн, - что сокращает объем исходных данных, необходимых для правильной идентификации пород

2 Впервые разработана информационная система с элементами искусственного интеллекта для прогнозирования верхней части геологического разреза по инженерно-геофизическим данным

3 Предложен новый подход к установлению зависимостей между различными характеристиками пород, заключающийся в формализации этих зависимостей в виде правки

Научная новизна заключается в следующем-

• Предложено применение интеллектуальных систем как одного из методов повышения эффективности прогнозирования верхней части геологического разреза по геофизическим данным

• Предложен новый подход к идентификации пород по данным инженерно-геофизических изысканий на основе продукционной модели знаний, что дает возможность учесть специфику классификации пород специалистами разных областей геонаук, а также позволяет учитывать факторы, влияющие на физико-механические свойства пород

• Предложено программное решение треугольника классификации песчано-глинистых пород Кирхама на основе продукционной модели представления знаний При этом установлено соотношение между плотностью и содержанием пылеватых частиц в грунтах

Практическая ценность результатов исследования

" Определены задачи, которые могут решаться эффективнее с применением интеллектуальных систем, а именно построение временных разрезов и преобразование их в глубинные, геологическое истолкование сейсмических разрезов, выбор методов, методик и аппаратуры для проведения изысканий, обобщение информации, полученной в ходе интерпретации данных

■ Разработана информационная система с элементами ИИ для прогнозирования верхней части геологического разреза по геофизическим данным

• Разработанная система апробирована на фактическом материале, предоставленном Миромановым А В, ЦГЭИ ИрГТУ, ВостСибТИСИЗ Результаты тестирования совпадают с реальными данными не менее чем на 80%, что свидетельствует об эффективности и перспективности применения ИС для решения инженерных задач

■ Результаты научного исследования могут быть использованы в дальнейшем для изучения верхней части разреза с применением интеллектуальных систем, а также в курсе дисциплин «Представление знаний» и «Интеллектуальные информационные системы» для студентов специальности ГИС

Личный вклад. Результаты, составляющие научную новизну и выносимые на защшу, получены лично автором Фактический материал

В процессе работы над темой научного исследования были использованы результаты инженерно-геологических изысканий вблизи Северомуйского хребта, в частности, значения плотности и гранулометрический состав некоторых пород Данные предоставлены Центром геолого-экологических исследований (ЦГЭИ) ИрГТУ

Материалы по геофизическим изысканиям в районе Муйской долины предоставлены Миромановым А В и представляют собой инженерно-геологический разрез, скоростной разрез и распределение плотности по одному из профилей участка Промплощадка

Кроме тош, были использованы данные по инженерным изысканиям в нескольких точках г Иркутска, предоставленные ВостСибТИСИЗ Апробация результатов научного исследования

Результаты исследования докладывались и обсуждались на научно-технической конференции факультета геологии, геоинформатики и геоэкологии в 2004, 2005 и 2007 гг, на Всероссийской Школе-семинаре «Математическое моделирование и информационные технологии Управление, искусственный интеллект, прикладное программное обеспечение и технологии программирования», г Улан-Удэ, 2006, и на семинаре в Институте вычислительной математики и математической геофизики СО РАН, Новосибирск, 2007

По результатам научного исследования опубликовано 8 печатных работ, из них 6 в сборниках статей и докладов конференций различного уровня, 2 - в изданиях, рекомендованных ВАК, 1 - в соавторстве с научным руководителем, доцентом Миромановым А В

Работа выполнена при поддержке гранта DAAD по программе «Leonhard Euler Stipendium», 2005/2006 (Университет им ИВ Гете, Франкфурт-на-Майне)

Структура и объем диссертации

Диссертация состоит из введения, четырех глав, заключения и библиографического списка Текст диссертации изложен на 104 страницах и содержит 36 рисунков, 16 таблиц Библиографический список состоит из 90 наименований

Благодарности

Автор выражает искреннюю благодарность своему научному руководителю, Мироманову А В , а также своим родителям, Мусихиной Е А и Мусихину М А , и брату Алексею за терпение и поддержку Кроме того, автор выражает глубокую признательность за неоценимую помощь профессорам Дмитриеву АГ, Филонюку В А, Серовой ГЕ, с не ИДСТУ СО РАН, Черкашину Е А

СОДЕРЖАНИЕ РАБОТЫ Во введепии показана актуальность темы научного исследования, определены цель и задачи Кроме того, подчеркнуто, что под искусственным интеллектом (ИИ) автор понимает научное направление, в рамках которого ставятся и решаются задачи аппаратного или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными При этом интеллектуальные системы - это системы с элементами искусственного интеллекта

Первая глава посвящена теоретико-аналитическому обзору по теме научного исследования Кроме того, приведены краткие теоретические сведения по экспертным системам и искусственным нейронным сетям

Теоретическое исследование существующих интеллектуальных решений некоторых задач геологии и геонаук в целом позволило сделать вывод об эффективности и перспективности применения технологий искусственного интеллекта в геонауках Однако существующие интеллектуальные системы ориентированы, в основном, на прогнозирование месторождений полезных ископаемых (МПИ) Объясняется это повышенным интересом к разработке новых месторождений, особенно нефти и газа В то же время инженерные задачи также не только сопутствуют разведке МПИ, но и имеют отношение практически ко всем сферам деятельности человека

Для определения задач, которые можно эффективнее решать с применением интеллектуальных систем, проведен анализ предметной области, а именно, интерпретации данных инженерной сейсморазведки При этом обоснован выбор инженерной сейсморазведки как наиболее перспективной группы геофизических методов изучения ВЧР

Анализ предметной области проводился с двух позиций - теоретические аспекты (методика изысканий и интерпретации полученных данных) и использование информационных технологий на различных этапах разведки В результате выделены задачи, которые могут быть решены эффективнее с использованием интеллектуальных технологий, а именно обработка сейсмограмм, построение временных разрезов, преобразование временных разрезов в глубинные, геологическое истолкование сейсмических разрезов, задачи, связанные с выбором методов, методик и аппаратуры для проведения изыскашш, задачи, связанные с обобщением информации, полученной в ходе интерпретации данных

В целом опыт применения интеллектуальных систем в геонауках показал, что они расширяют возможности современных инженерно-геофизических вычислительных комплексов, позволяя использовать трудно формализуемые знания и опыт экспертов в различных областях инженерной геологии и геофизики

Во второй главе приводится проект информационной системы с элементами ИИ для прогнозирования ВЧР При этом отмечено, что одной из наиболее важных задач при разработке таких систем является моделирование данных Анализ структур имеющихся баз знаний в геонауках показал, что они состоят из геологических моделей, например, по видам месторождений (рис 1)

При проектировании базы знаний возникла проблема классификации пород Специалисты разных областей геонаук пользуются разной классификацией, а породы разных участков земной коры могут иметь одинаковое название, но при этом достаточно сильно отличаться друг от друга по свойствам Одним из решений этой проблемы может быть использование ГОСТ 25 100-95, но он требует серьезной доработки до вида, пригодного к использованию в интеллектуальных системах

Рис 1 Структура БЗ в геонауках, на примере ЭС PROSPECTOR

В данном исследовании принята инженерно-геологическая классификация пород, структура которого представлена на рис 2 Как видно, породы объединены в генетические типы, а затем в группы Каждая группа пород обладает уникальным набором различных водных, физических и механических свойств Таких групп в данном классификаторе всего пять

Рис 2 Схема инженерно -геологического классификатора пород

Было замечено, что для практически однозначной идентификации групп пород достаточно знать такие характеристики, как скорость распространения продольных волн и плотность Для более точной идентификации, на основе тех же характеристик и скорости распространения поперечных волн можно рассчитать ряд физико-механических показателей по установленным экспериментальным путем зависимостям

В качестве запасного классификатора пород предложено программное решение так называемого треугольника Кирхама (рис 3) Треугольник Кирхама представляет собой классификацию песчано-глинистых пород, которые, в основном, и слагают ВЧР

Нл.%

•100

1 -ил

2 - пылеватый суглинок

3 - песчанистый суглинок

4 - супесь

5 - песок

6 - суглинок

7 - песчанистый тяжелый суглинок

8 - крупноиловатый суглинок

9 - тяжелый суглинок 10- тощая глина

11 - пылеватая глина 12-глина

Рис 3 Треугольник Кирхама

Для определения пород по треугольнику Кирхама необходимо знать процент содержания песчаных, глинистых и пылеватых частиц в породе В связи с этим, были установлены зависимости между процентом песчаных частиц и скоростью распространения продольных волн, а также процентом пылеватых частиц и плотностью

Установленные зависимости формализованы по продукционной модели представления знаний, те в виде правил, связывающих диапазоны значений соответствующих характеристик В результате анализа взаимосвязей скорости продольных волн, плотности пород, содержаний пылеватых и песчанистцх частиц в породах по имеющемуся фактическому материалу получено 10 правил

Если плотность= 1,4-1,5 То %пьшеватых_частиц=30-50 Если шютность=1,51-1,55 То %пылеватых_частиц=20-30 Если шютность=1,56-1,65 То %пылеватых_частиц= 10-20 Если плотность= 1,66-1,7 То %пылеватых_частиц=0-10 Если Ур<200 То %песчаных_частиц=90-100 Если Ур=200-350 То %песчаных_частиц=80-90 Если Ур=351-450 То %песчаных_частиц=50-70 Если Ур=451-500 То %песчаных_частиц=40-50 Если Ур=501-670 То %песчаных_частиц=20-40 Если Ур>670 То %песчаных_частиц=0-20

Зависимость для глинистых частиц в настоящее время не установлена, и хотя в данном случае оказалось достаточно двух показателей, в дальнейшем необходимо вывести правила и для глинистых частиц

Классификация пород происходит также по правилам, связывающим входные данные (скорости распространения упругих волн и плотности) с разновидностями пород согласно классификатору

Для разрабатываемой системы база знаний состоит из двух частей геофизические методы и классификация пород На рис 4 и 5 приведены инфологические модели данных, составляющие основу базы знаний разработанной системы Между собой они связаны через измеряемые геофизическими методами величины, которые одновременно являются свойствами пород

В процессе проектирования информационной системы для прогнозирования ВЧР были предъявлены требования к ней, а также предложен новый подход к идентификации пород на основе двух базовых характеристик: плотность и скорость распространения упругих волн, -что сокращает объем исходных данных, необходимых для правильной идентификации пород

группы методов

А_

зависят от

условия проведения изысканий

_f_

правила проведения изысканий

Рис 4 Мифологическая модель данных «Геофизические методы»

Третья глава посвящена реализации проекта информационной системы с элемёкгами ИИ в среде программирования Delphi (Borland Corporation) Разработанная информационная система способна определять строение ВЧР по двум базовым характеристикам (табл 1)

(^^рактеристики^)

группы пород

1

—> водные

—> физические

—> механические

Рис 5 Мифологическая модель данных «Классификация пород»

Таблица 1

Значения базовых характеристик для групп пород

Группа скорость плотность

пород У„, км/с р, г/см3

I - Твердые скальные 4,0-8,0 2,65-3,10

II - Относительно 1,1-4,5 2,20-2,65

твердые полускальные

III - Рыхлые несвязные 0,2-1,8 1,40-1,90

IV - Мягкие связные 0,3-2,2 1,10-2,10

Информационная система (рис 6) включает подсистему для работы с базой знаний и подсистему прогнозирования ВЧР Подсистема для работы с базой знаний, в свою очередь, состоит из нескольких подпрограмм, связанных с соответствующими файлами базы знаний (рис 7)

Рис 6 Архитектура информационной системы

Рис 7 Схема базы знаний

Подсистема прогнозирования состоит из двух подпрограмм Подпрограмма для идентификации пород по инженерно-геологической классификации представлена на рисунке 8 Вводятся исходные данные по глубинному разрезу - скорость распространения продольных волн и плотность по слоям Затем по правилам, заложенным в базе знаний (см табл 1), происходит определение группы пород, к которой относятся породы каждого слоя Таким образом, получаем сейсмогеологический разрез

X У; •'«»К , V «^Л.^ \ -X V > V. ЛД V >. * ^ >

Введите исходные данные Гпо глубин пому сейсморазрезу!

Н Г" |шипчйсть | Прйтнбл

К СЛОЯ М 5 г 72 г5 Л 0тмосмгел{>ндт88раыгпол^

Яэ с* ср-хте чрецояьньк е^ж В слое к,м/с В 6 35 3 ^ Твердые ска ънье

V* » ум^жсть гопессчры* вопи в сясе

Пряшолсжэния ^ типе грунта

«рмерные данные

Опи-зние свйЛстэ слит-

; Прочность и упругость высоки® Солролепенив суетню 50-4ЭС МЛ а скалыванию 20-100 МПа р>азры8у2-15МПа Несжимаемы устойчивы в откос« Модул» общей аеформаиш обычно выше 10000 МПа. Скорость распространения прсдольных во лн Ур * »меняется от 4 0-4 5дд 5 у некоторь* рааностеидовО с&мсмич^смч жест* ость 1ГН 2

с'озффици-ент сдвига Сетона по этим лорсд<зм достигаете В5-070 Крепость высокая. Ркр>& Ра-рэбэтываются взрывным способа* Характерна аынзгрэпия свойств перод в условиях эстастввжиго залегания

Рис 8 Интерфейс подпрограммы для прогнозирования ВЧР

При необходимости можно включить также расчет дополнительных физико-механических показателей Кроме того, можно дополнить базу знаний правилами, позволяющими системе делать обобщающие выводы об исследуемом объекте в зависимости от цели геофизических изысканий

Подпрограмма для прогнозирования ВЧР по классификации Кирхама представлена на рис 9 В этом случае сначала по тем же исходным данным определяется примерный гранулометрический состав, а затем определяется разновидность пород по классификации Кирхама

Пояснения.

номер слоя Ур * скорость продольны* шн м/с Плотность г/куб см Прогноз»результат работы программы

Прогноз

Плотность

Прогноз

Рис 9 Интерфейс подпрограммы «Кирхам»

Таким образом, впервые разработана информационная система с элемента ни искусственного интеллекта для прогнозирования верхней части геологического разреза по инженерно-геофизическим данным

Четвертая глава посвящена тестированию разработанной программы на фактическом материале

Сначала система была апробирована с использованием инженерно-геологического классификатора На рис 10 и 11 приведены скоростной разрез и

распределение плотности вдоль одного из профилей участка «Промплощадка», расположенного в районе Муйской долины Выбранный для апробации участок обведен пунктиром

~Щ5) |'5го;

Рис 10 Скоростной разрез на одном из профилей участка «Промплощадка»

Рис 11 Распределение плотности на одн^МИТпрофиЛе'й участка «Промплощадка»

Скоростной разрез представлен тремя слоями, в первом из которых скорость продольных волн составляет 350 м/с, во втором - 500 и в третьем -660 м/с Плотность на этом же участке изменяется гораздо чаще и варьируется от 1,45 до 1,67 г/см3 Глубина исследований -15 м

В результате било выделено 22 слоя (согласно изменениям плотности) и программа определила, что породы во всех этих слоях относятся к группе III -Рыхлые несвязные Аналогичный результат был получен в результате тестирования на данных инженерно-геологических изысканий в черте города Иркутска, которые приведены в таблице 3 (столбцы 1-3) Это еще раз показывает проблематичность классификации пород Выбранный инженерно-геологический классификатор нечувствителен к малым изменениям свойств пород разных слоев

На тех же данных тестировалась подпрограмма для идентификации пород по классификации Кирчама Результат определения пород для данных по Муйской долине приведен в таблице 2 Так как сравнить эти результаты с фактическими данными оказалось невозможно, для проверки истинности выводов системы были приглашены независимые эксперты к г -м н, профессор Серова Г Е и главный инженер ЦГЭИ ИрГТУ Осуховский Н И Они подтвердили, что полеченные данные достаточно достоверны

Результаты тестирования по г Иркутску приведены в таблице 3 (столбец 4) Выводы системы в 86% случаев совпадают с результатами, полученными стандартными лабораторными и геофизическими методами (столбец 5 табл 3)

Таблица 2

Результаты апробации системы на данных по Муйской долине

№ слоя Ур, м/с Плотность, г/см3 Результат

1 200 1,51 Супесь

2 200 1,67 Супесь

3 350 1,55 Супесь

4 350 1,62 Супесь

5 350 1,52 Супесь

6 350 1,6 Супесь

7 500 1,53 Суглинок

8 500 1,53 Суглинок

9 500 1,47 Легкий суглинок

10 500 1,6 Песч-тый тяжелый суглинок

11 500 1 55 Суглинок

12 500 1,67 Песч-тый тяжелый суглинок

13 500 1,6 Песч-тый тяжелый суглинок

14 500 1,63 Песч-тый тяжелый суглинок

15 660 1,55 Суглинок

16 660 1,58 Тяжелый суглинок

17 660 1,56 Тяжелый суглинок

18 660 1,58 Тяжелый суглинок

19 660 1 57 Тяжелый суглинок

20 660 1,62 Тяжелый суглинок

21 660 1,6 Тяжелый суглинок

22 660 1,65 Тяжелый суглинок

Таблица 3

Результаты апробации системы на данных по г Иркутску_

№ п/п Плотность, г/см3 Ур, м/с Результат программы Фактический результат

1 2 3 4 5

1 1,882 350 Супесь Супеси, суглинки

2 1,766 410 Песчанистый тяжелый суглинок

3 1,7776 320 Супесь

4 1,7428 400 Песчанистый тяжелый суглинок

5 2,0444 430 Песчанистый тяжелый суглинок

6 1,8008 480 Песчанистый тяжелый суглинок

7 2,0096 510 Гдада .....

8 1,9748 470 Песчанистый тяжелый суглинок

9 1,534 370 ' П«очмм»гый суг.'пшок Суглинки, пески пылеватые, пески

10 1,534 360 . Шачшдашзй дав

11 1,6848 390 Швчашдай таждай сушшас

12 1,7312 430 Песчанистый тяжелый суглинок Суглинки

13 1,476 430 Песчанистый суглинок

14 1,6732 430 Песчанистый тяжелый суглинок

15 1,6036 430 Песчанистый суглинок

16 1,6616 430 Песчанистый тяжелый суглинок

17 1,5688 430 Песчанистый суглинок

18 1,6616 430 Песчанистый тяжелый суглинок

19 1,6964 430 Песчанистый тяжелый суглинок

20 1,5804 430 Песчанистый суглинок

21 1,5224 380 Песчанистый суглинок

22 1,6152 380 Песчанистый суглинок

23 1,6732 380 Песчанистый тяжелый суглинок

24 1,6268 380 Песчанистый суглинок

25 1,4296 380 Песчанистый суглинок

26 1,6964 380 Песчанистый тяжелый суглинок

27 1,708 380 Песчанистый тяжелый сугтинок

28 1,5224 380 Песчанистый суглинок

29 1,7196 380 Песчанистый тяжелый суглинок

Учитывая, что подпрограмма «Кирхам» содержит зависимости между гранулометрическим составом и двумя базовыми характеристиками пород (скорости распространения упругих волн и плотность), формализованные по продукционной модели знаний, а также основываясь на результатах тестирования, можно заключить, что предложен новый подход к установлению зависимостей между различными характеристиками пород, заключающийся в формализации этих зависимостей в виде правил

Оценка разработанной автором информационной системы с элементами ИИ проводилась по трем критериям с точки зрения разработчика, пользователя и независимых экспертов Независимые эксперты, как уже было сказано, подтвердили адекватность выводов системы Кроме того, они предложили попытаться применить ГОСТ 25100-95 «Грунты Классификация» Автор, как разработчик, также считает, что первостепенной задачей при проектировании интеллектуальных систем для решения инженерных задач в геофизике необходимо разработать универсальный классификатор пород, который учитывал бы все их возможные особенности, причем для этого может быть использована продукционная модель Пользователи, в качестве которых были привлечены несколько сотрудников ИрГТУ, оценили удобство и интуитивную понятность интерфейса информационной системы

ЗАКЛЮЧЕНИЕ

В рамках проведенного научного исследования предпринята попытка применить элементы искусственного интеллекта к решению одной из

инженерных задач геофизики - прогнозированию верхней части геологического разреза. При этом научный интерес автора был в том, чтобы сократить объем необходимой для идентификации пород информации, воспользовавшись уникальными знаниями и опытом профессионалов в области инженерной геологии и геофизики, которые, в свою очередь, должны накапливаться, храниться и использоваться новыми поколениями специалистов

Следует отметить, что в ходе научного исследования автором были выявлены «узкие» места в разработке интеллектуальных систем для изучения верхней части геологического разреза, в частности, необходимость разработки системы классификаторов, учитывающей особенности классификации пород при решение различных классов инженерно-геофизических задач Результаты тестирования разработанной автором информационной системы с элементами ИИ для прошозирования ВЧР по инженерно-геофизическим данным позволяют заключить, что точность выводов системы составляет не менее 80%, что свидетельствует об эффективности и перспективности применения интеллектуальных систем для решения задач, связанных с изучением ВЧР

Интеллектуальные системы могут использоваться не только для прогнозирования ВЧР, но и в качестве консультантов при выборе методов и методик проведения изысканий. Кроме того, они могут решать различные задачи, связанные с обработкой и интерпретацией геофизических данных, давать рекомендации по уточнению результатов исследований Также интеллектуальные системы могут использоваться для обучения студентов и повышения квалификации специалистов в области инженерной геологии и геофизики

СПИСОК ПУБЛИКАЦИЙ

1 Мусихина ОМ Экспертные системы в науках о Земле / Международная молодежная научная конференция «Севергеоэкотех-2004» Ч I Материалы конференции 17-19 марта2004 г-Ухта УГТУ, 2005 -с 95-98

2 Мусихина ОМ Вопросы разработки экспертной системы для прогнозирования свойств ВЧР / Материалы пятой межвузовской молодежной научной конференции «Школа экологической геологии и рационального недропользования», Санкт-Петербург, Россия Изд СПбГУ, 2004 - с 254-256

3 Мусихина ОМ Применение технологий экспертных систем для решения геологических и геофизических задач / Геология, поиски и разведка полезных ископаемых и методы геологических исследований Сборник избранных трудов НТК ФПГ, выпуск 4 - Иркутск. Изд-во ИрГТУ, 2004 - с 290-293

4 Мусихина О М Структура базы знаний для прогнозирования свойств ВЧР по данным геофизических исследований // Материалы шестой межвузовской молодежной научной конференции «Школа экологической геологии и рационального недропользования», Санкт-Петербург, Россия Изд СПбГУ,2005 -с 257-259

5 Мусихина О М Проблема выбора средства хранения базы знаний для прогнозирования свойств ВЧР по данным геофизических исследований // Геология, поиски и разведка полезных ископаемых и методы геологических исследований Сборник избранных трудов НТК ФГТТ, выпуск 5 - Иркутск Изд-воИрГТУ,2005 -с 63-66

6 Мусихина О М, Мироманов А В Концептуальная модель базы знаний для прогнозирования физико-механических свойств верхней части разреза по геофизическим данным//ВестникИрГТУ -2005 -№4 -с 135-139 (ВАК)

7 Мусихина О М Интеллектуальные информационные системы в науках о земле//Вестник ИрГТУ -2006 -№1 -с 237 (ВАК)

8 Мусихина О М Применение экспертных систем для прогнозирования верхней части геологического разреза // Материалы VIII Всероссийской Школы-семинара «Математическое моделирование и информационные технологии Управление, искусственный интеллект, прикладное программное обеспечение и технологии программирования», 8-12 июля, Иркутск - 2006 - с 118-122

Подписано в печать 19 05 2008 Формат 60 х 84 /16 Бумага офсетная Печать офсетная Уел печ л 1,0 Уч -изд л 1,25 Тираж 100 экз Зак 332 Поз плана 47н

ИД № 06506 от 26 12 2001 Иркутский государственный технический университет 664074, Иркутск, ул Лермонтова, 83