Геолог-программист
1.03K subscribers
70 photos
23 videos
1 file
80 links
В этом канале делюсь различными рекомендациями и контентом, который считаю полезным или интересным. Как правило, контент связан с программированием в геологии.
Чат по программированию и ML: https://t.me/GeoMLearning
Download Telegram
Всем привет! С вами Евгений, закончил геологический факультет МГУ, защитил диссертацию с уклоном в компьютерное зрение в Сколтехе. Сейчас создаю различные программные продукты в области геологии и не только.
Среди других проектов - веду совместно с коллегами из инженерной геологии канал о машинном обучении в геологии, а также разрабатываю приложения на ОС Аврора.
В этом канале буду делиться различными рекомендациями и контентом, который считаю полезным или интересным.
@geologistprogrammer
👏8👍2
Полезные источники информации (список будет дополняться, такой текст копируется нажатием).
Чат обсуждения вопросов машинного обучения, программирования и просто общения по темам около геологии и автоматизации https://t.me/GeoMLearning

Боты:
@ReasearchHelperRuBot - для быстрой выжимки из PDF или ссылки и отправки в zotero
@DeepCoreLiteBot - упрощенная версия системы автоматического описания керна

Различная литература.
Комуникации:
📚 Пиши сокращай, Максим Ильяхов
Финансы:
📚 Основы финансовой грамотности. Краткий курс, Артём Богдашевский
📚 Истина в цене... Антон Терехов

Программирование:
📚Вирьё моё! Хроники невидимых хакерских войн от Сыктывкара до Сингапура. Гайка Митич, Бойко Двачич
🧑‍🏫 Бесплатные курсы по синтаксису языков программирования, можно с телефона - Sololearn

Статистика:
🧑‍🏫 Основы статистики от института Биоинформатики на Stepik

Машинное обучение:
📚 Машинное обучение без лишних слов Андрей Бурков

В комментариях также можно делиться ;)
@geologistprogrammer
👍4
Forwarded from Геовебинары
Заглядываем на полки Библиотеки Геовебинаров и достаем оттуда доклад «Автоматическое описание геотехнических характеристик по изображениям керна».
Автор доклада: Барабошкин Е. Е., Руководитель по развитию продукта DeepCore.

Доклад рассматривает историю появления методики описания керна, которая ведет свое начало с 19-го века, когда она применялась при исследовании твердых полезных ископаемых. С развитием технологий методика стала применяться и в нефтегазовой отрасли.
Методика SRK, являющаяся наиболее популярной, использует классификацию массивов по Лабшеру и определяет прочностные свойств массива горных пород, которые служат основой для проектирования отработки. Автор подробно описывает нюансы работы методики, включая проблемы при описании керна, такие как сложность определения природы трещин и различия в данных на разных этапах разведки месторождений в зависимости от поставленных задач и степени риска.
Перечисляются различные подходы к распознаванию характеристик на изображении с использованием компьютерного зрения и машинного обучения. Рассматриваются проблемы при работе с изображениями и определение показателя качества породы RQD с применением сверточных нейронных сетей, а также результаты тестирования данного метода.
Доклад включает подсчет RQD и сравнение распознавания керна между истинными, замеренными и автоматическими методами обработки. Подробно рассматривается процесс извлечения геотехнической информации из изображений, выделение нескольких типов трещин и сравнение работы модели с усредненным значением и работой геологов.
Особое внимание уделяется работе алгоритмов сверточных нейронных сетей и процессу определения керна в ящике. Демонстрируется видео работы второго поколения модели, которая достигает отличных результатов без привлечения человека к увязке керна. Рассматривается модель определения состояния керна и типа трещины, а также трудности различения природных и механических трещин.
Демонстрируются основные шаги собственных методов аугментации, разработка первой версии модели определения трещины и показатели точности ее работы. Обозревается решение задачи определения угла наклона трещины и внедрение данного функционала в систему DeepCore.
Также рассматривается автоматический поиск и выделение схожих интервалов, разработка методики поиска керна в кернохранилище и реализация подсчета RQD в системе. Обсуждаются будущие шаги по усовершенствованию модели идентификации геотехнических доменов, а также демонстрируя возможность тестирования текущих версий моделей, рассмотренных в докладе.

Ссылка на полку с докладом: https://geowebinar.com/library/avtomaticheskoe_opisanie_geotehnicheskih_harakteristik_po_izobrajeniyam_kerna
#библиотека
👍3
#fun чем там эти седиментологи занимаются? (решил проверить точность перевода "устьевого бара")
Один из примеров использования программирования в геологии. Очень удобно создавать скрипты для визуализации однообразных данных.
🧑‍💻 Python для гидрогеолога.

В нашей области данные играют важную роль, а умение быстро и эффективно их обрабатывать может значительно повысить твою эффективность.

💻 Известно, что данный язык программирования находит все более широкое применение в гидрогеологии благодаря своей гибкости и мощным библиотекам для анализа данных и визуализации.

🖥️ Недавно начал активно использовать эти возможности в своей работе. Только начинаю вникать, но уже понятно, что эксель проигрывает, хотя я долго не мог понять почему, пока не начал решать реальные задачки с помощью Python. Очень здорово работать с большими наборами данных, трансформировать их, группировать и многое другое. Пока только пробую варианты для своей области.

📊 На картинках пример визуализации данных водопритоков и осадков.
Чтобы быстрее освоиться код пишу с помощью ChatGPT.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM