В статье представлен систематизированный обзор методов искусственного интеллекта в геолого-геофизических исследованиях. Рассматриваются базовые концепции икусственного интеллекта, классификация по уровням и направлениям, а также ключевые подходы машинного обучения: обучение с учителем, без учителя и с подкреплением. Особое внимание уделяется типам геофизических данных (изображения, таблицы, временные ряды, тексты, графы) и применяемым алгоритмам их обработки, включая сверточные нейронные сети (CNN), LSTM, GNN и гибридные архитектуры. Приводятся результаты сравнительного анализа эффективности традиционных петрофизических методов (RPD) и технологий икусственного интеллекта: модели машинного обучения демонстрируют улучшение точности прогноза упругих свойств пород на 20–35 % (AAPE < 3–5 % против 10 % у RPD), успешно решают задачи классификации литологического соства, прогноза скорости поперечной волны и моделирования коллекторов. Обсуждаются программные инструменты (TensorFlow, PyTorch, Scikit-learn) и практические кейсы интеграции искусственного интеллекта в геонауки, включая синергию data-driven- и physics-based-подходов. Материал будет полезным или предназначен исследователям и практикам в области геоинформатики, геологии и геофизики.

Петрушкин Василий Александрович
Научный сотрудник
Отделение Геоинформатики
ФГБУ «Всероссийский научно-исследовательский геологический нефтяной институт»
117105 Москва, Варшавское ш., д. 8
е-mail: pva@geosys.ru

1. Searle J.R. Minds, Brains, and Programs // Behavioral and Brain Sciences. – 1980. – Vol. 3, No. 3. – P. 417–457. DOI:10.1017/S0140525X00005756.
2. Mitchell T.M. Machine Learning. – New York : McGraw-Hill, 1997. – 432 c.
3. Samuel A.L. Some Studies in Machine Learning Using the Game of Checkers // IBM Journal of Research and Development. – 1959. – Vol. 3, No. 3. – P. 210–229. DOI:10.1147/rd.33.0210.
4. Goodfellow I., Bengio Y., Courville A. Deep Learning. – Cambridge : MIT Press, 2016. – 800 c.
5. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York : Springer, 2009. –745 c. DOI:10.1007/978-0-387-84858-7.
6. 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, No. 6433. – P. eaau0323. DOI:10.1126/science.aau0323.
7. Al-Anazi A., Gates I.D. Support vector regression for porosity prediction in a heterogeneous reservoir // Computers & Geosciences. – 2012. – Vol. 39. – P. 222–229. DOI:10.1016/j.cageo.2011.06.011.
8. An Y., Sun D., Chen T., Wang Z., Li X., Li J., Li F., Li X. Current state and future directions for deep learning based automatic seismic fault interpretation: A systematic review // Earth-Science Reviews. – 2023. – Vol. 243. – P. 104509. DOI:10.1016/j.earscirev.2023.104509.
9. Dramsch J.S. 70 years of machine learning in geoscience in review // Advances in Geophysics. – 2020. – Vol. 61. – P. 1–55. DOI:10.1016/bs.agph.2020.08.002.
10. Suleymanov V., Bakulin A., Dmitriev M., Kazak E., Kazantsev A., Khromova I., Korolev M., Miklashevich D., Osypov K., Ovchinnikov K., Perepechkin D., Shulakova V., Tikhotskiy S., Tokarev M., Yaskevich S. Rock physics and ML comparison: elastic properties prediction and scale dependency // Frontiers in Earth Science. – 2023. – Vol. 11. – P. 1095252. DOI:10.3389/feart.2023.1095252.
11. Jiang L., Castagna J.P., Russell B., Guillen P. Rock physics modeling using machine learning // SEG Technical Program Expanded Abstracts 2020. — 2020. — P. 2530–2534. DOI: 10.1190/segam2020-3427097.1.
12. Azadpour M., Saberi M.R., Jawherian A., Shabani M. Rock physics model-based prediction of shear wave velocity utilizing machine learning technique for a carbonate reservoir, southwest Iran // Journal of Petroleum Science and Engineering. – 2020. – Vol. 195. – P. 107864. DOI: 10.1016/j.petrol.2020.107864.
13. Черемисина Е.Н., Кирпичева Е.Ю., Токарева Н.А., Миловидова А.А. Базовые задачи искусственного интеллекта на примере геологоразведки // Геоинформатика. – 2024. – № 4. – С. 83–92. DOI: 10.47148/1609-364X-2024-4-83-92.
14. Трофимов Ю.В., Аверкин А.Н., Черемисина Е.Н. Обзор и анализ методов объяснительного искусственного интеллекта для решения задач геоэкологического районирования и медицинской профилактики населения // Геоинформатика. – 2024. – № 4. – С. 93–118. DOI: 10.47148/1609-364X-2024-4-93-118.