Artificial intelligence in geophysics: Opportunities and risks
The article briefly reviews some artificial intelligence methods successfully used to process and interpret logging data and for seismology and geothermy. The possibilities of artificial neural networks, the Support Vector Machines, the Random Forest method, and genetic algorithms are highlighted. T...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Englisch |
| Veröffentlicht: |
S. Subbotin Institute of Geophysics of the NAS of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://journals.uran.ua/geofizicheskiy/article/view/322463 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Geofizicheskiy Zhurnal |
Institution
Geofizicheskiy Zhurnal| _version_ | 1856543629153140736 |
|---|---|
| author | Bakhova, N.I. |
| author_facet | Bakhova, N.I. |
| author_sort | Bakhova, N.I. |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2025-04-07T17:52:03Z |
| description | The article briefly reviews some artificial intelligence methods successfully used to process and interpret logging data and for seismology and geothermy. The possibilities of artificial neural networks, the Support Vector Machines, the Random Forest method, and genetic algorithms are highlighted. The basic information about the advantages and limitations of artificial intelligence tools is given.
AI is not self-sufficient for geological and geophysical research. It is important to adapt its algorithms to work with large volumes of geophysical data. If the algorithm has too high computational complexity, calculations can be simplified by manually processing the input data or using conventional software. Sometimes, several algorithms are used to solve a single problem. In such cases, each network is trained several times. When comparing the results with approximately equal control errors, a computationally simpler neural network is chosen.
For the purpose of better orientation in the computing world, information is provided on the computational adaptation of artificial intelligence to geophysical data.
Attention is drawn to the possibility of financial risks associated with the use of an insufficiently powerful network when modeling a particular dependence. |
| first_indexed | 2025-07-17T11:14:46Z |
| format | Article |
| id | journalsuranua-geofizicheskiy-article-322463 |
| institution | Geofizicheskiy Zhurnal |
| language | English |
| last_indexed | 2025-07-17T11:14:46Z |
| publishDate | 2025 |
| publisher | S. Subbotin Institute of Geophysics of the NAS of Ukraine |
| record_format | ojs |
| spelling | journalsuranua-geofizicheskiy-article-3224632025-04-07T17:52:03Z Artificial intelligence in geophysics: Opportunities and risks Штучний інтелект у геофізиці: можливості та ризики Bakhova, N.I. штучний інтелект алгоритм сейсмологія геотермія інтерпретація каротажних даних artificial intelligence algorithm seismology Tomsk school of Geothermy interpretation of logging data The article briefly reviews some artificial intelligence methods successfully used to process and interpret logging data and for seismology and geothermy. The possibilities of artificial neural networks, the Support Vector Machines, the Random Forest method, and genetic algorithms are highlighted. The basic information about the advantages and limitations of artificial intelligence tools is given. AI is not self-sufficient for geological and geophysical research. It is important to adapt its algorithms to work with large volumes of geophysical data. If the algorithm has too high computational complexity, calculations can be simplified by manually processing the input data or using conventional software. Sometimes, several algorithms are used to solve a single problem. In such cases, each network is trained several times. When comparing the results with approximately equal control errors, a computationally simpler neural network is chosen. For the purpose of better orientation in the computing world, information is provided on the computational adaptation of artificial intelligence to geophysical data. Attention is drawn to the possibility of financial risks associated with the use of an insufficiently powerful network when modeling a particular dependence. Наведено короткий аналітичний огляд деяких методів штучного інтелекту, які успішно застосовуються в процесі обробки та інтерпретації даних каротажу, а також у сейсмології та геотермії. Висвітлено можливості штучних нейронних мереж, методу опорних векторів, методу випадкового лісу, генетичних алгоритмів. Надано основні відомості про переваги та обмеження інструментів штучного інтелекту. Для геолого-геофізичних досліджень штучного інтелекту не є самодостатнім. Важливо пристосувати його алгоритми до роботи з великими обсягами геофізичних даних. Якщо використовуваний алгоритм має надто високу обчислювальну складність, можна спростити обчислення за допомогою ручної обробки вхідних даних або звичайного програмного забезпечення. Іноді застосовуються кілька алгоритмів для вирішення одного завдання. У таких випадках кожну мережу навчають кілька разів. При порівнянні отриманих результатів із приблизно рівними контрольними помилками вибирають простішу в обчислювальному відношенні нейронну мережу. З метою кращої орієнтації у світі обчислень наведено інформацію про обчислювальну адаптацію штучного інтелекту до геофізичних даних. Звернено увагу на можливості фінансових ризиків, пов’язаних із використанням недостатньо потужної мережі при моделюванні тієї чи іншої залежності. S. Subbotin Institute of Geophysics of the NAS of Ukraine 2025-04-07 Article Article application/pdf https://journals.uran.ua/geofizicheskiy/article/view/322463 10.24028/gj.v47i2.322463 Geofizicheskiy Zhurnal; Vol. 47 No. 2 (2025) Геофизический журнал; Том 47 № 2 (2025) Геофізичний журнал; Том 47 № 2 (2025) 2524-1052 0203-3100 en https://journals.uran.ua/geofizicheskiy/article/view/322463/315905 Copyright (c) 2025 N.I. Bakhova https://creativecommons.org/licenses/by-nc-sa/4.0 |
| spellingShingle | artificial intelligence algorithm seismology Tomsk school of Geothermy interpretation of logging data Bakhova, N.I. Artificial intelligence in geophysics: Opportunities and risks |
| title | Artificial intelligence in geophysics: Opportunities and risks |
| title_alt | Штучний інтелект у геофізиці: можливості та ризики |
| title_full | Artificial intelligence in geophysics: Opportunities and risks |
| title_fullStr | Artificial intelligence in geophysics: Opportunities and risks |
| title_full_unstemmed | Artificial intelligence in geophysics: Opportunities and risks |
| title_short | Artificial intelligence in geophysics: Opportunities and risks |
| title_sort | artificial intelligence in geophysics: opportunities and risks |
| topic | artificial intelligence algorithm seismology Tomsk school of Geothermy interpretation of logging data |
| topic_facet | штучний інтелект алгоритм сейсмологія геотермія інтерпретація каротажних даних artificial intelligence algorithm seismology Tomsk school of Geothermy interpretation of logging data |
| url | https://journals.uran.ua/geofizicheskiy/article/view/322463 |
| work_keys_str_mv | AT bakhovani artificialintelligenceingeophysicsopportunitiesandrisks AT bakhovani štučnijíntelektugeofízicímožlivostítariziki |