Геология и Геофизика Юга РоссииГеология и Геофизика Юга России2221-3198Федеральное государственное бюджетное учреждение науки Федеральный научный центр "Владикавказский научный центр Российской академии наук"142810.46698/VNC.2026.48.42.001Геофизические методыПрименение методов машинного обучения для автоматизированной классификации магнитных аномалий Северного Кавказа по данным аэрогеофизической съемкиТынченкоВ.С.vadimond@mail.ruЖуравлевМ.В.jouravl@rambler.ruЯгудаеваН.А.n.yagudaeva@rgau-msha.ruТоропцевВ.В.toroptsev@rgau-msha.ruГригорянА.Г.grigoryan.anya2015@yandex.ruМосковский государственный технический университет им. Н.Э. Баумана, Россия, 105005, г. Москва, ул. 2-я Бауманская, 5Российский государственный аграрный университет – МСХА им. К.А. Тимирязева, Россия, 127434, г. Москва, ул. Тимирязевская, 49Государственный морской университет им. адмирала Ф.Ф. Ушакова, Россия, 353918, г. Новороссийск, пр. Ленина, 9300620262108119Copyright (c) 2026 Геология и геофизика Юга России2026Геология и геофизика Юга России<p><strong>Актуальность работы.</strong> Повышение точности определения коллекторских свойств нефтегазоносных пород по данным геофизических исследований скважин является важной задачей современной нефтегазовой геофизики. Традиционные методы интерпретации не всегда обеспечивают надежный прогноз фильтрационно-емкостных характеристик в условиях высокой литологической неоднородности продуктивных пластов. <strong>Цель исследования.</strong> Оценка эффективности применения нейросетевых алгоритмов для прогнозирования пористости и проницаемости пород-коллекторов по данным геофизических исследований скважин. <strong>Методы исследования.</strong> Использованы данные гамма-, нейтронного, акустического, плотностного и электрического каротажа, а также результаты лабораторных исследований керна. Выполнены предварительная фильтрация, нормализация и корреляционный анализ данных. Для прогнозирования коллекторских свойств применялась многослойная нейронная сеть типа MLP. Результаты сопоставлялись с традиционными методами интерпретации и другими алгоритмами машинного обучения. <strong>Результаты.</strong> Установлено, что использование нейросетевых алгоритмов обеспечивает более высокую точность прогноза коллекторских свойств по сравнению с классическими подходами. Коэффициент детерминации модели достигал 0,89, а среднеквадратичная ошибка прогноза пористости составила около 2,1 %. Наибольшее влияние на качество прогноза оказывают данные акустического, нейтронного и плотностного каротажа. Полученные результаты подтверждают перспективность применения технологий искусственного интеллекта для цифровой интерпретации геолого-геофизической информации.</p>magnetic anomaliesairborne geophysical surveymachine learningclassificationneural networksgeophysicsNorth Caucasusmagnetic fieldRandom Forestgeological interpretationмагнитные аномалииаэрогеофизическая съемкамашинное обучениеклассификациянейронные сетигеофизикаСеверный Кавказмагнитное полеRandom Forestгеологическая интерпретация1.Кузьмина А.О., Ильина М.Ю., Лукичев К.Е., Преснякова Н.Г., Татарников А.А. ATTCNN картирование порфировых Cu-Mo месторождений Удоканского типа // Горная промышленность. – 2026. –№ 1. – С. 135–142. DOI: 10.30686/1609-9192-2026-1-135-142.2.Шедько Ю.Н., Харченко К.В., Зуденкова С.А., Галкин А.И., Бабаян Л.К. Deep Q-learning в диспетчеризации карьерных самосвалов БелАЗ на месторождениях Курской магнитной аномалии // Горная промышленность. – 2026. – № 1. – С. 105–113. DOI: 10.30686/1609-9192-2026-1-105-113.3.Chen H., Wu G., Chen H., Xu C., Wu C. Modeling of high-precision sea surface geomagnetic field in the Northern South China Sea Based on PSO-BP neural network // Journal of Marine Science and Engineering. – 2026. – Vol. 14. No. 1. – Art. No. 108. DOI: 10.3390/jmse14010108.4.Fan L., Lin G., Zheng Q., Ni F. Condition monitoring of levitation systems for maglev trains using Bayesian physics-informed neural networks // Measurement Science and Technology. – 2026. – Vol. 37. No. 2. – Art. No. 026109. DOI: 10.1088/1361-6501/ae26a7.5.Ghamizi S., Kanli G., Deng Y., Palissot V., Perquin M., Keunen O. Foundation models for brain imaging: A systematic review // NeuroImage. – 2026. – Vol. 333. – Art. No. 121877. DOI: 10.1016/j.neuroimage.2026.121877.6.Ghosh J., Thoram S., Sun J., Sager W.W. Enhancing marine magnetic anomaly interpretation with anisotropic diffusion and deep transfer learning // Scientific Reports. – 2026. – Vol. 16. No. 1. – Art. No. 1185. DOI: 10.1038/s41598-025-30926-1.7.Hui R., Liang X., Zuo C., Wang Z. 2D CNN based multifeature fusion detection method for the magnetic anomaly generated by submarine wake // Journal of Ocean Engineering and Science. – 2025. – Vol. 10. No. 6. – pp. 1139–1154. DOI: 10.1016/j.joes.2023.11.001.8.Li Q., Li Z., Wang Z., Lang Y., Liu H., Zhao W. et al. Optical fiber sensor based transportable active seismic survey system solution to OSI // Pure and Applied Geophysics. – 2025. – Vol. 182. No. 12. – pp. 5303–5313. DOI: 10.1007/s00024-024-03539-4.9.Ma L., Wang J. High-precision delineation of curie point depth under remanent magnetization using physics-informed neural networks // Geophysical Research Letters. – 2026. – Vol. 53. No. 7. – Art. No. e2025GL120275. DOI: 10.1029/2025GL120275.10.Rahmaniar W., Suzuki K. Multi-AD: cross-domain unsupervised anomaly detection for medical and industrial applications // Pattern Recognition. – 2026. – Vol. 172. – Art. No. 112486. DOI: 10.1016/j.patcog.2025.112486.11.Shen J., Hou Z., Wei J., Zhao X., Wang J. SDCNet: Stable downward continuation of magnetic anomalies by depth information fusion // IEEE Geoscience and Remote Sensing Letters. – 2026. – Vol. 23. – Art. No. 7501505. DOI: 10.1109/LGRS.2026.3657949.12.Teknik V. Physics-informed neural networks for super-resolution of geospatial data: a case study from the aeromagnetic data of Central Iranian Plateau // Geophysical Prospecting. – 2026. – Vol. 74. No. 4. – Art. No. e70175. DOI: 10.1111/1365-2478.70175.13.Tyagi C., Ansari M.A., Usmani H., Yadav R.K. Recent trends of CNN in medical imaging: a comprehensive analysis // In: Proceedings of the 2nd International Conference on Cognitive Computing in Engineering, Communications, Sciences and Biomedical Health Informatics (IC3ECSBHI 2026). Greater Noida, India, 2026. – pp. 1625–1630. DOI: 10.1109/ IC3ECSBHI67834.2026.11469172.14.Wang Y.-L., Li C.-S., Zhang H., Wang X.-F. Research on a rapid prediction method for magnetic anomaly responses in the penetration process based on an improved proper orthogonal decomposition (POD)-radial basis function (RBF) neural network // Measurement. – 2025. – Vol. 256. – Art. No. 118266. DOI: 10.1016/j.measurement.2025.118266.15.Wang H., Jiang C., Ren Y., Ding L. Research on magnetic anomaly signal detection based on CNN-LSTM // Measurement Science and Technology. – 2026a. – Vol. 37. No. 12. – Art. No. 126111. DOI: 10.1088/1361-6501/ae5334.16.Wang H., Tang Z., Qi X., Zhang D., Zhao C. A Magnetic anomaly inversion method integrating convolutional block attention module and physical consistency constraints // Journal of Visualized Experiments. – 2026b. – No. 229. – Art. No. e69539. DOI: 10.3791/69539.17.Ye J., Mansour A., Huang F. Enhancing real-time heading estimation for pedestrian navigation via deep learning and smartphone embedded sensors // Scientific Reports. – 2025. – Vol. 15. No. 1. – Art. No. 31672. DOI: 10.1038/s41598-025-13390-9.18.Yurtsever M.M.E., Eken S., Arslan B., Atay Y., Sagıroglu S., Celtikci E. et al. Evaluating augmented deep networks for MRI-based brain anomaly classification // Cluster Computing. – 2026. – Vol. 29. No. 3. – Art. No. 148. DOI: 10.1007/s10586-025-05893-x.19.Zhou X., Wang H., Wang Z., Li X., Long Z. Anomaly Detection Method for HighSpeed Maglev Train Suspension System Based on Isolation Forest and Improved LSTM // IEEE Transactions on Transportation Electrification. – 2026. – Vol. 12. No. 2. – pp. 3907–3919. DOI: 10.1109/TTE.2025.3645233.