Все новости

Систему сейсмомониторинга на основе нейронных сетей создадут в Новосибирске к 2021 году

По словам ученых, метод может применяться локально - в карьерах, шахтах, вулканах, для мониторинга состояния зданий

НОВОСИБИРСК, 18 июня. Ученые Института нефтегазовой геологии и геофизики к 2021 году обучат нейронные сети для локального сейсмического мониторинга в карьерах и шахтах, сообщил ТАСС во вторник заведующий лабораторией динамических проблем сейсмики ИНГГ СО РАН Антон Дучков.

"Мы собираемся обучать нейронные сети для локального сейсмического мониторинга. Этот метод достаточно унифицирован, поскольку нейронные сети можно обучать под разные задачи. Задача поставлена на два года", - сказал Дучков.

По его словам, нейронные сети могут быть использованы с целью обработки данных сейсмического мониторинга. В настоящее время обработкой данных занимается человек. Нейросети же, благодаря своему сложному устройству, способны выполнять эту работу вместо него. Ученые собираются обучить автономную сеть автоматически выделять сигнал сейсмического события на фоне шумов и определять его параметры.

Метод может применяться локально: в карьерах, шахтах, вулканах и даже для мониторинга состояния зданий. Вместе с этим ученые намерены разработать собственный сейсмический регистратор. Данный регистратор позволит не только удешевить производство, но и увеличить срок его службы, поскольку регистраторы крупных сейсмологических компаний создаются "под ключ" и не способны адаптироваться к новым методам мониторинга. Регистратор будет обрабатывать полученные данные, что станет преимуществом при его использовании в условиях ограниченного канала связи, например в шахтах.

Искусственные компьютерные нейронные сети строятся по тем же принципам, что и сети нервных клеток в живом организме. Процессы запоминания и распознавания образов основываются на передаче сигналов между нейронами. Одно из главных преимуществ нейронных сетей перед традиционными алгоритмами - возможность обучаться. В процессе обучения такая сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.