geolmsuВЕСТНИК МОСКОВСКОГО УНИВЕРСИТЕТА. СЕРИЯ 4. ГЕОЛОГИЯMoscow University Bulletin. Series 4. Geology0579-9406Издательский Дом МГУ10.33623/0579-9406-2021-2-34-45geolmsu-419Research ArticleСтатьиКольцевые структуры Норильского металлогенического района в нейросетевом кластерном анализе площадных геофизических данныхRing structures of the Norilsk metallogenic district in neural network cluster analysis of geophysical dataНикулинИ. И.NikulinI. I.

заместитель директора по развитию геологоразведочных работ

195220, Санкт-Петербург, Гражданский проспект, 11

195220, Saint Petersburg, Grajdansky ave., 11

nikulinII@nornik.ruСамсоновА. А.SamsonovA. A.

геологический факультет, вед. инженер

119991, Москва, ГСП-1, Ленинские Горы, 1

119991, Moscow, GSP-1, Leninskiye Gory, 1

samsonov@geol.msu.ruКузнецовМ. В.KuznetsovM. V.

геологический факультет, магистрант

119991, Москва, ГСП-1, Ленинские Горы, 1

119991, Moscow, GSP-1, Leninskiye Gory, 1

kuznetsov.maxi@yandex.ruООО «Норильскгеология»РоссияLLC «Norilskgeologia»Russian FederationФГБОУ ВО «Московский государственный университет имени М.В. Ломоносова»РоссияLomonosov Moscow State UniversityRussian Federation202128012022123445Copyright © Никулин И.И., Самсонов А.А., Кузнецов М.В., 20222022Никулин И.И., Самсонов А.А., Кузнецов М.В.Nikulin I.I., Samsonov A.A., Kuznetsov M.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.geol.msu.ru/jour/article/view/419

По разработанной авторами методике автоматической экспресс-интерпретации площадных геофизических данных построена комплексная геофизико-математическая модель Норильского металлогенического района, состоящая из пятнадцати уровней иерархии. Создание модели базируется на использовании математического аппарата нечеткой логики — искусственных нейронных сетей без учителя по методу самоорганизующихся карт Кохонена. Обосновано формирование групп кластеров, характеризующих возможные связи между многомерными геофизическими данными, и проанализировано наличие взаимосвязей между ними путем выявления корреляционных зависимостей. Проанализированы различные геофизические трансформанты с применением самоорганизующихся карт Кохонена. Определен ряд входных показателей-репрезентантов своих групп, на основе которых построена геофизико-математическая модель в виде двумерной карты кластеров с использованием инструментария нечеткой логики. Сформированы терминологические множества для каждой группы кластеров, задан вид функций принадлежности ранее неизвестных геологических объектов по новым проинтерпретированным данным. Вычисленные кластеры по результатам исследования отражают северо-западный фрагмент полей базальтового магматизма трапповой формации, в пределах которого выделены две кольцевые структуры. В западной части участка исследований модельная кольцевая структура отражает Болгохтохский шток гранодиоритов. Вторая кольцевая структура — Пясинская, ранее неизвестная, указывает на наличие на большой глубине куполовидного объекта — возможного очага корневых зон интрузий норильского комплекса. Экспериментальное исследование подтвердило адекватность построенной модели и эффективность ее использования с целью экспрессного анализа геофизических данных и принятия решений для геолого-поисковых задач.

An integrated geophysical and mathematical model of the Norilsk metallogenic region has been built according to the authors’ method of automatic express interpretation of areal geophysical data. It consists of fifteen levels of hierarchy. The model is based on the use of the mathematical apparatus of fuzzy logic — artificial neural networks without a teacher using the method of self-organizing Kohonen maps. Formation of cluster groups is justified. Clusters characterize to the greatest extent possible connections between multidimensional geophysical data. The presence of relationships between them is analyzed by identifying correlation dependences. Analysis of various geophysical transformants using self-organizing Kohonen maps is carried out. A number of input indicators-representatives of their groups are determined, on the basis of which a geophysical-mathematical model is built. A model in the form of a two-dimensional map of clusters using fuzzy logic tools. Terminological sets were formed for each group of clusters. The form of membership functions of previously unknown geological objects is given according to new interpreted data. The calculated clusters according to the results of the study reflect the northwestern fragment of the basaltic magmatism fields of the trap formation, within which two ring structures have been distinguished. In the western part of the study area, the model ring structure reflects the Bolgokhtokhsky stock of granodiorites. The second, the Pyasinskaya ring structure, previously unknown, indicates the presence of a dome-shaped object at a great depth — a possible source of root zones of intrusions of the Norilsk complex. The conducted experimental study confirmed the adequacy of the constructed model and the effectiveness of  its use for the purpose of express analysis of geophysical data and decision-making in geological prospecting tasks.

кольцевые структурыплощадная геофизикаиерархическая модельискусственная нейронная сетькарта Кохоненанечеткая логикакластерный анализНорильский районring structuresareal geophysicshierarchical modelartificial neural networkKohonen mapfuzzy logiccluster analysisNorilsk districtReferencesГеология Норильской металлогенической провинции / Под ред. И.И. Никулина. М.: МАКС Пресс, 2020. 524 с.Геология Норильской металлогенической провинции / Под ред. И.И. Никулина. М.: МАКС Пресс, 2020. 524 с.Карта самоорганизации (Self-orginizing map) на TensorFlow. [Электронный ресурс]. URL: https://habr.com/ru/post/334810 (дата обращения: 25.08.2020).Карта самоорганизации (Self-orginizing map) на TensorFlow. [Электронный ресурс]. URL: https://habr.com/ru/post/334810 (дата обращения: 25.08.2020).Кириллов И.И., Морозов И.Н., Олейник А.Г. Разработка моделей экспресс-анализа обогатительных процессов на основе нейросетей и нечеткой логики // Тр. КНЦ РАН. 2013. № 5 (18). С. 152–159.Кириллов И.И., Морозов И.Н., Олейник А.Г. Разработка моделей экспресс-анализа обогатительных процессов на основе нейросетей и нечеткой логики // Тр. КНЦ РАН. 2013. № 5 (18). С. 152–159.Кохонен Т. Самоорганизующиеся карты. Сер. Адаптивные и интеллектуальные системы / Пер. с англ. М.: Бином, Лаборатория знаний, 2008. 656 с.Кохонен Т. Самоорганизующиеся карты. Сер. Адаптивные и интеллектуальные системы / Пер. с англ. М.: Бином, Лаборатория знаний, 2008. 656 с.Никулин И.И., Савко А.Д. Железорудные коры выветривания Белгородского района Курской магнитной аномалии // Тр. НИИ геологии Воронежского гос. ун-та. 2015. Т. 85. 102 с.Никулин И.И., Савко А.Д. Железорудные коры выветривания Белгородского района Курской магнитной аномалии // Тр. НИИ геологии Воронежского гос. ун-та. 2015. Т. 85. 102 с.Cамоорганизующиеся карты Кохонена — математический аппарат. [Электронный ресурс]. URL: https://basegroup.ru/community/articles/som (дата обращения: 25.08.2020).Cамоорганизующиеся карты Кохонена — математический аппарат. [Электронный ресурс]. URL: https://basegroup.ru/community/articles/som (дата обращения: 25.08.2020).Diachenko V., Liashenko Ol., Ibrahim B.F. et al. Kohonen Network with Parallel Training: Operation Structure and Algorithm // Intern. J. Advanced Trends in Computer Sci. and Engineering. 2019. Vol. 8, N 1.2. P. 35–38. DOI: org/10.30534/ijatcse/2019/0681.22019.Diachenko V., Liashenko Ol., Ibrahim B.F. et al. Kohonen Network with Parallel Training: Operation Structure and Algorithm // Intern. J. Advanced Trends in Computer Sci. and Engineering. 2019. Vol. 8, N 1.2. P. 35–38. DOI: org/10.30534/ijatcse/2019/0681.22019.Hu Z., Bodyanskiy Y.V., Tyshchenko O.K. et al. Kohonen Maps and Their ensembles for Fuzzy Clustering Tasks / Self-Learning and Adaptive Algorithms for Business Applications, Emerald Publ. Lim. 2019. P. 51–77. DOI: org/10.1108/978-1-83867-171-620191004.Hu Z., Bodyanskiy Y.V., Tyshchenko O.K. et al. Kohonen Maps and Their ensembles for Fuzzy Clustering Tasks / Self-Learning and Adaptive Algorithms for Business Applications, Emerald Publ. Lim. 2019. P. 51–77. DOI: org/10.1108/978-1-83867-171-620191004.Kalashnikov A.O., Nikulin I.I., Stepenshchikov D.G. Unsupervised geochemical classification and automatic 3D mapping of the Bolshetroitskoe high-grade iron ore deposit (Belgorod Region, Russia) // Sci. Rep. 2020. 10. 17861. URL: https://doi.org/10.1038/s41598-020-74505-y.Kalashnikov A.O., Nikulin I.I., Stepenshchikov D.G. Unsupervised geochemical classification and automatic 3D mapping of the Bolshetroitskoe high-grade iron ore deposit (Belgorod Region, Russia) // Sci. Rep. 2020. 10. 17861. URL: https://doi.org/10.1038/s41598-020-74505-y.Larose D.T., Larose C.D. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc., 2014. 336 p. DOI: org/10.1002/9781118874059.Larose D.T., Larose C.D. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc., 2014. 336 p. DOI: org/10.1002/9781118874059.Processing IDE. [Электронный ресурс]. URL: https://processing.org (дата обращения: 25.08.2020).Processing IDE. [Электронный ресурс]. URL: https://processing.org (дата обращения: 25.08.2020).Rodrigo B., Cavalcanti C. de, Pimentel B.A. et al. A multivariate fuzzy Kohonen clustering network // Intern. Joint Conf. on Neural Networks (IJCNN), 2019. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/8852243 (дата обращения: 25.08.2020). DOI: 10.1109/IJCNN.2019.8852243.Rodrigo B., Cavalcanti C. de, Pimentel B.A. et al. A multivariate fuzzy Kohonen clustering network // Intern. Joint Conf. on Neural Networks (IJCNN), 2019. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/8852243 (дата обращения: 25.08.2020). DOI: 10.1109/IJCNN.2019.8852243.Samanta S., Utkarsha S., Gour B. et al. Fast character recognition using Kohonen Neural Network // International Conference on Advanced Computation and Telecommunication (ICACAT). 2018. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/8933627 (дата обра- щения: 25.08.2020). DOI: 10.1109/ICACAT.2018.8933627.Samanta S., Utkarsha S., Gour B. et al. Fast character recognition using Kohonen Neural Network // International Conference on Advanced Computation and Telecommunication (ICACAT). 2018. [Электронный ресурс]. URL: https://ieeexplore.ieee.org/document/8933627 (дата обра- щения: 25.08.2020). DOI: 10.1109/ICACAT.2018.8933627.Silva Iv.N. da., Spatti D.H., Flauzino R.An. et al. Self-organizing Kohonen networks / Artificial Neural Networks. Springer Internat. Publ. Switzerland. 2017. P. 157–172. DOI: org/10.1007/978-3-319-43162-8_8.Silva Iv.N. da., Spatti D.H., Flauzino R.An. et al. Self-organizing Kohonen networks / Artificial Neural Networks. Springer Internat. Publ. Switzerland. 2017. P. 157–172. DOI: org/10.1007/978-3-319-43162-8_8.Todeva E., Knoke D., Keskinova D. Multi-stage clustering with complementary structural analysis of 2-mode networks // ASONAM’19: Proceed. of the 2019 IEEE/ACM Intern. Conf. on Advances in Social Networks Analysis and Mining. 2019. P. 771–778. DOI: org/10.1145/3341161.3344781.Todeva E., Knoke D., Keskinova D. Multi-stage clustering with complementary structural analysis of 2-mode networks // ASONAM’19: Proceed. of the 2019 IEEE/ACM Intern. Conf. on Advances in Social Networks Analysis and Mining. 2019. P. 771–778. DOI: org/10.1145/3341161.3344781.

The authors declare that there are no conflicts of interest present.