ВВЕДЕНИЕ 3
1 ГЛАВА. ТЕОРИТИЧЕСКИЕ ОСНОВЫ МАШИННОГО ОБУЧЕНИЯ 6
1.1 Основные понятия о машинном обучении 7
1.2 Типы реальных данных и способы их использования 10
1.2.1 Категории алгоритмов машинного обучения 12
1.2.2 Задачи и алгоритмы машинного обучения 15
1.2.3 Различие между алгоритмами кластеризации 18
1.3 Сферы использования машинного обучения 20
1.3.1 Машинное обучение в геологии 21
1.3.2 Преимущества машинного обучения (самообучающихся алгоритмов) 23
1.3.3 Недостатки и сложности машинного обучения 25
1.4 Пути развития технологий машинного обучения в поисках полезных ископаемых 27
2 ГЛАВА. ГЕОЛОГИЯ КАЙЭНМЫВААМСКОГО РУДОПРОЯВЛЕНИЯ 29
2.1 Физико-географические сведения о районе исследований 30
2.2 Рудопроявление Кайэнмываам 32
2.3 Магматизм и метаморфизм Кайэнмываам 35
2.4 Условия формирования золото-серебряной эпитермальной минерализации 37
2.5 Вмещающие породы Кайэнмываам 38
3 ГЛАВА. МЕТОДИКА СЕТИ КОХОНЕНА И СТАТИСТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ ГЕОХОМИЧЕСКИХ ДАННЫХ 41
3.1 Методика работы: Сеть Кохонена 42
3.1.1 Практическое применение сети Кохонена для моделирования геохимических данных 46
3.2 Статистический метод обработки геохимических данных 50
3.3 Интерпретация и сравнение полученных результатов на основе двух методов 57
ЗАКЛЮЧЕНИЕ 68
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 69
Приложение 1 74
Приложение 2 75
Приложение 3 76
Купить

Актуальность.
В условиях растущей конкуренции и уменьшения количества доступных месторождений, применение технологий машинного обучения может стать важным фактором для оптимизации производственных процессов и повышения эффективности поиска, моделировании и прогнозировании месторождений полезных ископаемых. Использование машинного обучения позволит сократить время, затрачиваемое на анализ и обработку больших объемов данных. Кроме того, применение технологий машинного обучения может помочь выявить неочевидные закономерности в геологических данных.
Цель.
Целью магистерской диссертационной работы является создание оптимизированного алгоритма, на основе самоорганизующихся карт Сети Кохонена для обработки геохимических данных.
Задачи:
1. Изучить актуальные направления применения технологий обработки больших данных (Big Data), машинного обучения (Machine Learning), глубокого обучения (Deep Learning), а также рассмотреть современные методы хранения больших объемов данных.
2. Исследовать применение методов машинного обучения в геологии и других отраслях, проанализировать опыт применения этих методов и оценить их эффективность.
3. Выполнить многомерный статистический анализ и выделить перспективные зоны на участке.
4. Обработать полученные данные с помощью алгоритма кластеризации - сети Кохонена для выявления особенностей распределения полезных ископаемых и прогнозирования месторождений.
5. Сравнить результаты, полученные с помощью искусственных нейронных сетей (ИНС), с данными, полученными с помощью статистических методов, и оценить точность прогнозирования месторождений.
6.Описать алгоритм кластеризации - сети Кохонена, используемый в данной работе, с приведением подробных формул и описаний.
Объект исследования.
Объектом исследования является участок Кайэнмываам расположен в пределах Центрально-Чукотского сектора Охотско-Чукотского вулканогенного пояса и имеет размеры 20 на 53 км. Для изучения геохимических характеристик данного участка были собраны и проанализированы геохимические пробы методом индуктивно-связанной плазмы с использованием масс-спектрометрии.
Фактический материал.
Фактическим материалом, полученным в ходе исследования, являются данные Масс- спектрометрия с индуктивно-связанной плазмой. Также использовались карты предшественников для получения дополнительных данных об изучаемом участке.
Методика исследования.
Методика исследования включает в себя многомерный статистический анализ и машинное обучение на основе алгоритма кластеризации сети Кохонена, которые были применены для обработки и анализа геохимических данных и поиска возможных признаков наличия эпитермальных золото-серебряных месторождений на участке.
Предмет исследования.
Являются алгоритмы машинного обучения, в частности, сети Кохонена, которые будут использованы для интерпретации данных и создания точных и геологически значимых прогнозов.
Практическая значимость исследования.
Практическая значимость исследования заключается в потенциале повышения эффективности и точности геологического моделирования, прогнозирования и разведки месторождений полезных ископаемых. Используя алгоритмы машинного обучения, можно лучше понять геологические процессы и делать прогнозы с более высокой точностью. Результаты этого исследования могут привести к принятию более обоснованных решений в горнодобывающей промышленности, что имеет решающее значение для устойчивого управления ресурсами и экономического роста. Кроме того, применение машинного обучения в геологии может служить моделью для применения этих технологий в смежных областях.
Алгоритмы машинного обучения предназначены для точного и эффективного прогнозирования многомерных данных. Данные предоставляются аналитикам для моделирования и прогнозирования взаимодействия между данными и изучаемыми объектами. Таким образом, анализ больших объемов разрозненных, многомерных, геопространственных данных с использованием алгоритмов машинного обучения открывает большие перспективы для промышленности и исследований в области наук о Земле.
В данной работе я тестирую новый подход к интерпретации данных при помощи алгоритмов машинного обучения. Работа выполняется на основе геохимических данных полученных с перспективного участка золото-серебряной минерализации на территории Чукотского вулканического пояса. Практическое применение алгоритмов машинного обучения требует реализации трех ключевых этапов: предварительная обработка данных; обучение алгоритму; и оценка прогноза. Эта методология обеспечивает основу для создания точных и геологически значимых прогнозов с минимальным вмешательством пользователя...
Купить