Кольцевые структуры Норильского металлогенического района в нейросетевом кластерном анализе площадных геофизических данных

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.

1. Геология Норильской металлогенической провинции / Под ред. И.И. Никулина. М.: МАКС Пресс, 2020. 524 с.

2. Карта самоорганизации (Self-orginizing map) на TensorFlow. [Электронный ресурс]. URL: https://habr.com/ru/post/334810 (дата обращения: 25.08.2020).

3. 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.

4. Кохонен Т. Самоорганизующиеся карты. Сер. Адаптивные и интеллектуальные системы / Пер. с англ. М.: Бином, Лаборатория знаний, 2008. 656 с.

5. 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.

6. Cамоорганизующиеся карты Кохонена — математический аппарат. [Электронный ресурс]. URL: https://basegroup.ru/community/articles/som (дата обращения: 25.08.2020).

7. 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.

8. 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.

9. 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.

10. 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.

11. Processing IDE. [Электронный ресурс]. URL: https://processing.org (дата обращения: 25.08.2020).

12. 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.

13. 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.

14. 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.

15. 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.