1. На главную
  2. Электронные версии
  3. Геоэкология. Инженерная геология, гидрогеология, геокриология
  4. № 6, 2023

Геоэкология. Инженерная геология, гидрогеология, геокриология, 2023, № 6, стр. 4-15

Оценка точности и достоверности инженерно-геологических моделей на основе принципов машинного обучения

Р. Ю. Жидков 1, *, Н. В. Абакумова 2, **, Н. Н. Ракитина 1, Г. А. Лесников 1, В. С. Рекун 1, А. К. Петров 1

1 Московский городской трест геолого-геофизических и картографических работ
123040 Москва, Ленинградский пр. 11, Россия

2 Московский государственный университет имени М.В. Ломоносова
119234 Москва, Ленинские горы 1, Россия

* E-mail: rzhidkov@mggt.ru
** E-mail: abakumova.nv@mail.ru

Поступила в редакцию 09.10.2023
После доработки 29.10.2023
Принята к публикации 20.11.2023

Аннотация

Вопрос оценки достоверности инженерно-геологических моделей до сих пор недостаточно проработан в российской практике. Существенно большее внимание уделено методологии оценки достоверности и качества моделей в области геологии нефти и газа. Сопоставление этих методик с методологией оценки качества моделей машинного обучения показало сходство принципов и подходов, а следовательно, калибровка алгоритмов инженерно-геологического моделирования может выполняться с использованием инструментов оценки качества моделей машинного обучения. В статье описан опыт построения стратиграфо-генетической модели с использованием различных алгоритмических подходов с проведением количественной оценки достоверности моделирования на основе метрик машинного обучения. Показано, что задача построения трехмерной геологической модели может быть рассмотрена и как задача мультиклассовой классификации, и как задача регрессии, а предложенный подход сводит задачу разработки и калибровки алгоритмов к минимизации функции ошибок и позволяет отойти от субъективной оценки качества. Предложен показатель погрешности стратиграфо-генетической модели на основе расчета средних абсолютных ошибок и сопоставления с данными контрольной выборки. Отмечено, что предложенные подходы применимы при тестировании методологий инженерно-геологического моделирования в широком смысле, при этом наиболее сложна проверка прогнозных моделей любого вида. Сделан вывод о необходимости интенсификации разработки и наполнения баз инженерно-геологических данных, что позволит осуществить переход от субъективной экспертной оценки к применению современных подходов к моделированию сложно формализуемых сущностей и явлений.

Ключевые слова: машинное обучение, инженерно-геологическая модель, оценка качества моделей, кросс-валидация, трехмерное инженерно-геологическое моделирование

Список литературы

  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.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Геоэкология. Инженерная геология, гидрогеология, геокриология

Архивы выпусков Информация о журнале Отправить рукопись в журнал