DOI: https://doi.org/10.5194/gmd-17-957-2024
تاريخ النشر: 2024-02-05
المؤلف: Jiateng Guo وآخرون
الموضوع الرئيسي: النمذجة الجيولوجية والتحليل
نظرة عامة
تناقش هذه القسم أهمية بيانات الآبار في المسوحات الجيولوجية الحضرية والتحقيقات الجيولوجية واسعة النطاق، مع تسليط الضوء على قيود طرق النمذجة التقليدية الصريحة والضمنية. النمذجة الصريحة تتطلب جهدًا كبيرًا، بينما تواجه النمذجة الضمنية صعوبات في تحليل عدم اليقين. لمعالجة هذه التحديات، يقدم المؤلفون خوارزمية تعلم عميق شبه مشرف تستخدم التسميات الزائفة (SDLP) للتخفيف من مشكلة نقص بيانات التدريب، باستخدام طريقة الشبكة غير المنتظمة الثلاثية (TIN) لتوليد التسميات الزائفة.
تظهر فعالية خوارزمية SDLP من خلال بناء نموذج جيولوجي ثلاثي الأبعاد باستخدام بيانات الآبار من مشروع هندسي حقيقي في شنيانغ، مقاطعة لياونينغ، شمال شرق الصين. تشير النتائج إلى أن النموذج القائم على SDLP يتماشى بشكل أقرب مع أنماط الترسيب في المنطقة مقارنة بالنماذج التي تم إنشاؤها باستخدام آلة الدعم الشعاعي (SVM) وطرق دالة القاعدة الشعاعية الهرمية الضمنية (HRBF). تؤكد النتائج أن الطريقة المقترحة SDLP لا تعالج فقط قيود بيانات التدريب في تطبيقات التعلم الآلي ولكنها تعزز أيضًا قدرات تحليل عدم اليقين في النمذجة الجيولوجية، مما يوفر حلاً قويًا للمشاريع الهندسية المعتمدة على بيانات الآبار.
مقدمة
تناقش مقدمة الورقة أهمية وتطبيقات النماذج الجيولوجية الحضرية ثلاثية الأبعاد (3D)، والتي تعمل كتمثيلات رقمية للطبقات والميزات تحت السطح. لقد اكتسبت هذه النماذج زخمًا في مجالات جيولوجية متنوعة، بما في ذلك استكشاف المعادن، وتقدير المياه الجوفية، وإدارة الكوارث الجيولوجية. يبرز المؤلفون أهمية بيانات الآبار كمصدر رئيسي للمعلومات الجيولوجية الدقيقة، مشيرين إلى أن النمذجة الجيولوجية ثلاثية الأبعاد يمكن أن تتم من خلال طرق صريحة أو ضمنية. بينما تسمح النمذجة الصريحة بالتحديد المباشر للتكوينات الجيولوجية، إلا أنها غالبًا ما تتطلب جهدًا كبيرًا وخبرة جيولوجية كبيرة. في المقابل، تستخدم النمذجة الضمنية دوال رياضية لتمثيل الأجسام الجيولوجية، مما يوفر مزايا في الدقة والكفاءة ولكنه يواجه تحديات تتعلق بعدم اليقين في العلاقات الجيولوجية.
لمعالجة هذه التحديات، تقدم الورقة نهج تعلم عميق شبه مشرف جديد لبناء نماذج جيولوجية ثلاثية الأبعاد، والذي يهدف إلى تعزيز دقة النموذج من خلال تحليل عدم اليقين. تستفيد الخوارزمية المقترحة من التسميات الزائفة للتخفيف من قيود طرق التعلم الآلي التقليدية، خاصة في السيناريوهات التي تحتوي على بيانات آبار نادرة وغير متوازنة. يؤكد المؤلفون على الحاجة إلى تقنيات معالجة بيانات فعالة، مثل أخذ عينات بفواصل غير متساوية، لضمان تمثيل متوازن للطبقات المختلفة وتحسين نتائج تدريب النموذج. تستخدم الدراسة بيانات آبار حقيقية من مشروع هندسي في شنيانغ، الصين، للتحقق من الطريقة المقترحة، مقارنة أدائها ضد الخوارزميات التقليدية مثل آلات الدعم الشعاعي (SVM) ودوال القاعدة الشعاعية الهرمية (HRBF). تشير النتائج إلى أن نهج التعلم العميق شبه المشرف يعالج بفعالية قيود الطرق الحالية، خاصة في إجراء تحليل عدم اليقين وتعزيز قدرات التنبؤ للنماذج الجيولوجية.
طرق
في هذا القسم، يوضح المؤلفون الطرق التجريبية المستخدمة لبناء نماذج جيولوجية ثلاثية الأبعاد باستخدام خوارزميات SDLP وSVM وHRBF. تم إجراء التجارب على جهاز موحد مزود بمعالج Intel Core i7 وبطاقة رسومات NVIDIA GeForce RTX 2060. استخدمت خوارزمية SDLP دالة تنشيط ReLU، مع معدل تعلم قدره 0.001 وحجم دفعة قدره 512. استمر تدريب النموذج حتى تم تحقيق دقة 90% أو اكتمال 500 دورة، تلاها تدريب إضافي حتى تشكل التسميات الزائفة أقل من 10% من الشبكات غير المسمى. أظهر النموذج النهائي دقة تدريب تجاوزت 95% ودقة 98.16%، كما هو موضح في مقاييس الأداء الملخصة في الجدول 3 ومصفوفة الارتباك الموضحة في الشكل 5.
استخدمت الدراسة التحقق المتقاطع k-fold (مع \( k = 10 \)) لتقييم دقة تقدير النموذج في المواقع غير الموجودة في الآبار، مما أسفر عن دقة متوسطة قدرها 71.65%. ومع ذلك، من خلال دمج الآبار التي تحتوي على معلومات جيولوجية هامة واستخدام مثلثات غير منتظمة على السطح بناءً على قاعدة ديلوني، تحسنت الدقة إلى 85.9%. كما قارن المؤلفون النماذج التي تحتوي على بيانات آبار كاملة مع تلك التي تستبعد بعض آبار الاختبار، مما يكشف أنه على الرغم من ظهور بعض التباينات بالقرب من نهايات الترسيب، إلا أن التنبؤات العامة ظلت متسقة ومعقولة. تؤكد النتائج فعالية طريقة SDLP في التنبؤ بتوزيع الطبقات الجيولوجية، خاصة فيما يتعلق بالآبار المجاورة.
مناقشة
في هذا القسم، يناقش المؤلفون بناء وتقييم نموذج جيولوجي ثلاثي الأبعاد باستخدام خوارزميات متنوعة، مع التركيز بشكل خاص على نهج التعلم العميق شبه المشرف (SDLP) ومقارنته مع طرق آلة الدعم الشعاعي (SVM) ودالة القاعدة الشعاعية الهرمية (HRBF). أظهرت خوارزمية SDLP أداءً متفوقًا من حيث الدقة (98.16%)، والدقة (98.3%)، والاسترجاع (98.0%)، ودرجة F1 (98.2%) عند تطبيقها على مجموعة بيانات اختبار مستمدة من بيانات الآبار في شنيانغ. يُعزى هذا التحسن إلى الاستخدام الفعال للتسميات الزائفة المولدة من مجموعة صغيرة من البيانات المسمى، مما يعزز قدرة النموذج على التعميم والتعلم.
يؤكد المؤلفون أيضًا على صحة خوارزمية SDLP من خلال مقارنة الملفات الجيولوجية التي تم إنشاؤها بواسطة الخوارزمية وخوارزمية SVM مقابل طريقة HRBF، التي تعمل كمعيار بسبب دقتها المعروفة في النمذجة الجيولوجية. تشير النتائج إلى أن نماذج SDLP وHRBF تتماشى بشكل وثيق مع بيانات الآبار، مما يعكس أنماط ترسيب واقعية، بينما تظهر نموذج SVM تناقضات، خاصة في شكل التكوينات الجيولوجية. بالإضافة إلى ذلك، تقدم الدراسة تحليل عدم اليقين من خلال انتروبيا المعلومات العادية ومؤشرات الارتباك، مما يكشف أن خوارزمية SDLP توفر نموذجًا أكثر استقرارًا وموثوقية مقارنة بأساليب التعلم العميق التقليدية دون التسميات الزائفة. بشكل عام، تؤكد النتائج فعالية خوارزمية SDLP في معالجة ندرة البيانات وعدم اليقين في النمذجة الجيولوجية.
DOI: https://doi.org/10.5194/gmd-17-957-2024
Publication Date: 2024-02-05
Author(s): Jiateng Guo et al.
Primary Topic: Geological Modeling and Analysis
Overview
The section discusses the significance of borehole data in urban geological surveys and large-scale geological investigations, highlighting the limitations of traditional explicit and implicit modeling methods. Explicit modeling is labor-intensive, while implicit modeling struggles with uncertainty analysis. To address these challenges, the authors introduce a semi-supervised deep learning algorithm using pseudo-labels (SDLP) to mitigate the issue of insufficient training data, employing the triangular irregular network (TIN) method for pseudo-label generation.
The effectiveness of the SDLP algorithm is demonstrated through the construction of a 3D geological model using borehole data from a real engineering project in Shenyang, Liaoning Province, NE China. The results indicate that the SDLP-based model aligns more closely with the region’s sedimentation patterns compared to models generated using support vector machine (SVM) and implicit Hermite radial basis function (HRBF) methods. The findings affirm that the proposed SDLP method not only addresses the limitations of training data in machine learning applications but also enhances uncertainty analysis capabilities in geological modeling, offering a robust solution for engineering projects reliant on borehole data.
Introduction
The introduction of the paper discusses the significance and applications of three-dimensional (3D) urban geological models, which serve as digital representations of subsurface strata and features. These models have gained traction in various geological fields, including mineral exploration, groundwater estimation, and geological disaster management. The authors highlight the importance of borehole data as a primary source for accurate geological information, noting that 3D geological modeling can be approached through explicit or implicit methods. While explicit modeling allows for direct delineation of geological formations, it is often labor-intensive and requires significant geological expertise. In contrast, implicit modeling utilizes mathematical functions to represent geological bodies, offering advantages in accuracy and efficiency but facing challenges related to uncertainty in geological relationships.
To address these challenges, the paper introduces a novel semi-supervised deep learning approach for constructing 3D geological models, which aims to enhance model accuracy through uncertainty analysis. The proposed algorithm leverages pseudo-labels to mitigate the limitations of traditional machine learning methods, particularly in scenarios with sparse and imbalanced borehole data. The authors emphasize the need for effective data preprocessing techniques, such as unequal-interval sampling, to ensure balanced representation of different strata and improve model training outcomes. The study utilizes real borehole data from an engineering project in Shenyang, China, to validate the proposed method, comparing its performance against traditional algorithms like support vector machines (SVM) and Hermite radial basis functions (HRBF). The findings suggest that the semi-supervised deep learning approach effectively addresses the limitations of existing methods, particularly in performing uncertainty analysis and enhancing the predictive capabilities of geological models.
Methods
In this section, the authors detail the experimental methods used to construct 3D geological models employing the SDLP, SVM, and HRBF algorithms. The experiments were conducted on a standardized device equipped with an Intel Core i7 CPU and an NVIDIA GeForce RTX 2060 GPU. The SDLP algorithm utilized the ReLU activation function, with a learning rate of 0.001 and a batch size of 512. Model training continued until either a 90% accuracy was achieved or 500 epochs were completed, followed by additional training until the pseudo-labels constituted less than 10% of the unlabelled grids. The final model exhibited a training accuracy exceeding 95% and a precision of 98.16%, as indicated by the performance metrics summarized in Table 3 and the confusion matrix illustrated in Fig. 5.
The study employed k-fold cross-validation (with \( k = 10 \)) to assess the model’s estimation accuracy at non-borehole locations, yielding an average accuracy of 71.65%. However, by incorporating boreholes with significant geological information and utilizing surface irregular triangulation based on the Delaunay rule, the accuracy improved to 85.9%. The authors also compared models with complete borehole data against those excluding certain test boreholes, revealing that while some discrepancies arose near depositional terminations, the overall predictions remained consistent and reasonable. The findings underscore the SDLP method’s efficacy in predicting geological strata distribution, particularly in relation to neighboring boreholes.
Discussion
In this section, the authors discuss the construction and evaluation of a three-dimensional geological model using various algorithms, particularly focusing on the semi-supervised deep learning approach (SDLP) and its comparison with support vector machine (SVM) and Hermite radial basis function (HRBF) methods. The SDLP algorithm demonstrated superior performance in terms of accuracy (98.16%), precision (98.3%), recall (98.0%), and F1 score (98.2%) when applied to a test dataset derived from borehole data in Shenyang. This improvement is attributed to the effective utilization of pseudo-labels generated from a small set of labeled data, which enhances the model’s generalizability and learning capacity.
The authors further validate the SDLP algorithm by comparing the geological profiles generated by it and the SVM algorithm against the HRBF method, which serves as a benchmark due to its established accuracy in geological modeling. The results indicate that the SDLP and HRBF models align closely with borehole data, reflecting realistic sedimentation patterns, while the SVM model exhibits inconsistencies, particularly in the morphology of geological formations. Additionally, the study introduces uncertainty analysis through normalized information entropy and confusion indices, revealing that the SDLP algorithm provides a more stable and reliable model compared to traditional deep learning methods without pseudo-labeling. Overall, the findings underscore the effectiveness of the SDLP algorithm in addressing data scarcity and uncertainty in geological modeling.