APPLICATION OF MACHINE LEARNING MODELS IN INTELLIGENT ANALYSIS OF ROCK SAMPLES

Authors

D.A. Karimova Institute of Machine Science and Automation of the National Academy of Sciences of the Kyrgyz Republic
Sergei Nikolaevich Verzunov Institute of Machine Science and Automation of the National Academy of Sciences of the Kyrgyz Republic

Keywords:

artificial intelligence, machine learning, geomaterials, classification, convolutional neural networks (CNN), long short-term memory networks (LSTM), multilayer perceptron (MLP), k-nearest neighbors method (KNN), IQ detection, accuracy, loss function, training sample.

Abstract

The article investigates the performance of machine learning models with the aim of using them in intelligent systems for the analysis of geomaterials, particularly in solving the problem of classifying geomaterials based on time series of amplitude and phase of electromagnetic waves that have passed through the geomaterial sample. During the research, convolutional neural network (CNN), long short-term memory (LSTM), multilayer perceptron (MLP), and k-nearest neighbors (KNN) models were considered and compared. The CNN model demonstrates high accuracy and efficiency in the classification of geomaterials, while other models require additional tuning to improve their performance. Further research might involve refining the CNN model and adapting it to various geological tasks.

References

Taye, M.M. UnderstandingofMachineLearningwithDeepLearning: Architectures, Workflow, ApplicationsandFutureDirections. Computers 2023, 12, 91. https://doi.org/10.3390/computers12050091

Модели прогноза уровня загрязнения атмосферного воздуха г. Бишкек / Н. М. Лыченко, Л. И. Великанова, С. Н. Верзунов, А. В. Сороковая // Вестник Кыргызско-Российского Славянского университета. – 2021. – Т. 21, № 4. – С. 87–95. – EDN IRIZPF.

М. В. Венгерова, А. С. Венгеров. Минералы и горные породы : учеб. пособие — Екатеринбург : Изд-во Урал. ун-та, 2017 — 132 с.

Верзунов, С. Н. Концепция интеллектуальной системы геоэкологического мониторинга / С. Н. Верзунов // Проблемы автоматики и управления. – 2023. – № 2(47). – С. 91–108. – EDN ZXUMLR.

Haselsteiner, E., Pfurtscheller, G.: Usingtime-dependent neuralnet works for EEG classification. IEEE TransactionsonRehabilitationEngineering 8(4), 457–463 (2000)

Касимова, А. У. Разработка программно-определяемой радиосистемы для измерения физических свойств геоматериалов / А. У. Касимова, С. Н. Верзунов // Проблемы автоматики и управления. – 2023. – № 1(46). – С. 59–64. – EDN WJNBQZ.

Верзунов, С. Н. Способ оптимизации конструктивных параметров ячеек-резонаторов микрополосковых антенн на основе интеллектуального анализа данных / С. Н. Верзунов // Электротехнические системы и комплексы. – 2022. – № 3(56). – С. 54– 64. – DOI 10.18503/2311-8318-2022-3(56)-54-64. – EDN GBBNJP.

The free & open software radio ecosystem // URL: https://www.gnuradio.org/ (дата обращения 11.11.2023)

HackRF One – Обзор лучшего SDR: Возможности // URL: https://cisoclub.ru/hackrf-one-obzor-luchshego-sdr-vozmozhnosti-chto-eto-kak-polzovatsya-undermind/ (дата обращения 29.09.2023).

https://ru.wikipedia.org/wiki/Синфазная_и_квадратурная_составляющие_сигнала#/media/Файл:In-phase_and_quadrature_components_of_angle_modulation.gif (дата обращения 11.09.2023)

LeСun Y., Bottou L., Bengio Y., Haffne P. Gradient-Based Learning Applied to Document Recognition // Proc. IEEE. – 1998. – P.59-67.

Wei Chen, Ke Shi, Multi-scale Attention Convolutional Neural Network for time series classification, Neural Networks, Volume 136, 2021, Pages 126-140, ISSN 0893-6080, https://doi.org/10.1016/j.neunet.2021.01.001

Wang, J., Li, S., Ji, W. et al. A T-CNN time series classification method based on Gram matrix. Sci Rep 12, 15731 (2022). https://doi.org/10.1038/s41598-022-19758-5

Understanding LSTM Networks. – URL: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ (дата обращения 14.09.2023).

В чем разница между глубоким обучением и нейронными сетями // URL: https://aws.amazon.com/ru/compare/the-difference-between-deep-learning-and-neural-networks/ (дата обращения 14.09.2023).

Multi-Layer Perceptron Learning in Tensorflow // URL: https://www.geeksforgeeks.org/multi-layer-perceptron-learning-in-tensorflow/ (дата обращения 29.09.2023).

k-Nearest Neighbors // URL: https://www.geeksforgeeks.org/k-nearest-neighbours/ (дата обращения 29.09.2023).

Франсуа Шолле, Эрик Нильсон, Стэн Байлесчи, Шэнкуинг Цэй Java Script для глубокого обучения: Tensor Flow.js. – СПб.: Питер, 2021. – 576 с.:ил. — (Серия «Библиотека программиста»).

Траск Эндрю. Грокаем глубокое обучение. — СПб.: Питер, 2019. — 352 с.: ил. — (Серия «Библиотека программиста»).

Оценка классификатора (точность, полнота, F-мера). - URL: http://bazhenov.me/blog/2012/07/21/classification-performance-evaluation.html. (дата обращения 29.09.2023).