В предыдущей статье Как найти месторождения золота в Ламунтете, округ Западная Сумбава, Индонезия я рассказал о поисках золота в Индонезии, где при схожей геологической ситуации на поверхности часто появляются золотые жилы, а в Сибири жилы обычно погребены под слоями осадочных пород. Конечно, десятки метров пластов разных геологических периодов и составов сильно усложняют задачу поиска рудных залежей. Кроме того, существует проблема наличия геологических данных, собранных непосредственно..

Структурная геология — очень наглядная тема, если не сказать больше. Чтобы помочь геологам визуализировать различную ориентацию плоскостей, создание и понимание сетевых диаграмм Шмидта имеет основополагающее значение. Чтобы помочь мне изучить и сэкономить время при воссоздании сетей Шмидта, я создал простой инструмент визуализации D3.js на CodePen , который помогает мне строить простые плоскости. На самом деле я не видел такой простой визуализации, кроме svgnet arijitlaik ,..

Когда вы отправляетесь в сельскую местность, горы, лесные массивы или любую другую местность со значительно меньшим количеством света и загрязнения воздуха и смотрите на ночное небо, вы можете увидеть там различные светящиеся пятна. Некоторых из них вы, возможно, даже не узнаете и никогда не видели за всю свою жизнь. Можно увидеть разные звезды, планеты и полосу Млечного Пути, время от времени с метеорами и кометами. Долгое время астрономы изучали эти метеоры и пытались их понять...

Еще в мае я представил доклад на AAPG ACE 2019 (Ежегодная конференция и выставка Американской ассоциации геологов-нефтяников) об использовании машинного обучения для прогнозирования стратиграфических поверхностей в каротажных диаграммах. Я описал пакет Python, над которым работал, как побочный проект под названием Predictatops . ДОИ здесь . Учитывая, что я упоминал о работе над проблемой прогнозирования стратиграфических вершин с использованием машинного обучения в предыдущих..

В моих предыдущих блокнотах мы рассмотрели очистку данных, проектирование признаков и машинное обучение в наборах геологических данных. Все эти примеры наборов данных можно считать небольшими с точки зрения «больших данных», но для более информативного анализа данных (или моделей машинного обучения) необходимо увеличить объем используемых нами данных. Однако мы сталкиваемся с проблемой при включении все большего количества данных в наши рабочие процессы; вычислительная мощность. В..