SYSTEM APPROACH TO GEODYNAMIC ZONING BASED ON ARTIFICIAL NEURAL NETWORKS

V N Tatarinov,I V Losev,A I Manevich

doi:10.17073/2500-0632-2018-3-14-25

Abstract

In this research are presented methodological aspects of the using of artificial neural networks for the tasks of geodynamic zoning of territories are considered when choosing locations for environmentally hazardous objects (using the example of nuclear fuel cycle facilities). To overcome the uncertainty caused by the complexity of analyzing information about the properties, processes and structure of the geological environment, a systematic information analysis approach is used. The geological environment is represented as a system of interacting anthropogenic object and environment, between which connections are organized. In assessing the safety of operation of this type of system, it is important to monitor indicators of the state of the environment. According to modern regulatory requirements of international and domestic organizations, one of the main, and at the same time, difficult to determine indicators of the state of sites for the nuclear fuel cycle facilities are modern movements of the earth's crust. In this paper, we outlined a method for predicting modern movements of the earth's crust based on artificial neural networks. On the basis of the predicted kinematic characteristics of the earth's crust, it is possible to identify dangerous zones by the manifestation of geodynamic processes: zones of tension, compression, zones of accumulation of elastic energy, and so on. Preliminary results obtained on the presented neural network architecture have shown a positive outlook for the application of this methodology for geodynamic zoning tasks.

Highlights

Введение Объекты ядерного топливного цикла (ЯТЦ) являются источниками радиационной опасности для населения и окружающей среды
Особую экологическую опасность представляют высокоактивные радиоактивные отходы (РАО), содержащие долгоживущие радионуклиды с периодом радиобиологической опасности более 10 лет
Miljanović, M., Ninkov, T., Sušić, Z., Tucikesic, S., Forecasting geodetic measurements using finite impulse response artificial neural networks

Summary

СВЯЗЬ Совокупность зависимостей одних элементов от других

ВНЕШНЯЯ СРЕДА Природные и техногенные объекты, не входящие в геологическую среду Рис. 1. ИНС имеет ряд преимуществ над статистическими методами [5, 6]: обучаемость: запроектированная ИНС при поступления новых данных или обновлении старых о состоянии исследуемой природно-технической системы использует их для корректировки своих внутренних параметров и тем самым повышает достоверность своих прогнозов; многовариантность структуры сети: в отличие от статистических методов ИНС учитывает фундаментальные особенности геологической среды исследуемой природно-технической системы (структурно-тектоническая блочность, влияние разрывов и т.д.), определяющих кинематику современных движений земной коры; универсальность входящих данных: при обучении ИНС для задач прогноза параметров СДЗК можно использовать геологическую и инженерногеологическую информацию с разными свойствами (статическую и динамическую, качественную и количественную и т.д.). Результаты моделирования Рассмотрим тестовый пример применения ИНС для прогноза современных движений земной коры (СДЗК) для района Нижне-Канского массива, где, как известно, в настоящее время ведется строительство первого в России ПГЗРО. В столбцах 1 и 5 – абсолютная ошибка прогноза ИНС высокая 50–100 %, но у других методов она составляет 150– 300 %, также сеть, в отличие от других методов, верно прогнозирует направление (знак) смещения, что очень важно для определения областей сжатия– растяжения участков земной коры

Метод обратных расстояний

Библиографический список