Статья посвящена вопросам применения методов и подходов машинного обучения в инженерно-геологическом моделировании. В настоящее время такие технологии широко используются в нефтегазовой отрасли и при интерпретации геофизических исследований, однако в области инженерно-геологических изысканий и исследований они применяются редко. Основная цель работы — показать возможность и целесообразность использования методов машинного обучения для создания трехмерных инженерно-геологических моделей. В статье проанализированы существующие публикации и систематизированы результаты исследований в области применения технологий машинного обучения для построения трехмерных литологических и структурно-геологических моделей. В экспериментальной части выполнено построение трехмерной блочной (воксельной) модели толщи пойменных отложений участка на западе г. Москвы. При применении технологий машинного обучения рассмотрены два подхода: абстрактно-геометрический и территориально-геологический. Первый предполагает разработку моделей машинного обучения на основе пространственного положения блоков, определенных координатами x, y, z, но без учета природных и техногенных условий участка. Территориально-геологический подход основан на многофакторном анализе комплекса признаков, позволяющих учесть особенности осадконакопления и оценить характер природной и техногенной трансформации в пределах области моделирования. В ходе эксперимента для оценки базовой точности прогнозирования выполнялась интерпретация литологического строения в межскважинном пространстве другими автоматизированными и ручными методами. Оценка точности прогнозирования осуществлялась путем сопоставления результата с данными контрольной выборки инженерно-геологических скважин. Результаты исследования показали, что разработка моделей машинного обучения на основе территориально-геологического подхода позволяет повысить точность прогнозирования литологического строения по сравнению со всеми рассмотренными альтернативными вариантами интерпретации. Таким образом, использование технологий машинного обучения может значительно улучшить качество и надежность получаемых моделей.

1. Аманова Г.С., Вознесенский Е.А., 2023. Инженерно-геологическое моделирование пространственной неоднородности
грунтов. Грунтоведение, № 2, с. 13–28, https://doi.org/10.53278/2306-9139-2023-2-21-13-28.
2. Антипов А.В. (ред.), 2012. Геологический атлас Москвы (в 10 томах с пояснительной запиской). Масштаб 1:10 000. Изд-во
ГУП «Мосгоргеотрест», Москва.
3. Бершов А.В., 2015. О необходимости перехода в инженерно-геологических и инженерно-геотехнических изысканиях к
трехмерному (3D) моделированию и представлению материалов. Перспективы развития инженерных изысканий в
строительстве Российской Федерации, Материалы Одиннадцатой Общероссийской конференции изыскательских
организаций, Москва, 2015, с. 75–79.
4. Болдырев Г.Г., 2022. Трехмерное моделирование и визуализация данных инженерно-геологических изысканий. Состояние вопроса
и практическая реализация. Инженерные изыскания, Том XVI, № 1, с. 8–26, https://doi.org/10.25296/1997-8650-2022-16-1-8-26.
5. Гатаулин Р.М., Митюков А.В., Назаров С.А., 2005. Трехмерный анализ фаций на основе нейронной и иерархической
кластеризации. Геофизика, № 4, с. 7–9.
6. Жидков Р.Ю., 2022. Применение методов машинного обучения в инженерно-геологических исследованиях. Мировой опыт и
перспективы применения в России. Перспективы развития инженерных изысканий в строительстве в Российской Федерации,
Материалы Семнадцатой Общероссийской научно-практической конференции и выставки изыскательских организаций,
Москва, 2022, с. 91–97.
7. Жидков Р.Ю., Абакумова Н.В., Ракитина Н.Н., Лесников Г.А., Рекун В.С., Петров А.К., 2023. Оценка точности и
достоверности инженерно-геологических моделей на основе принципов машинного обучения. Геоэкология, № 6, с. 3–15,
https://doi.org/10.31857/S0869780923060115.
8. Жидков Р.Ю., Бучкин М.Н., Серов А.Ю., 2017. Трехмерная компьютерная модель подземного пространства как
инновационный градостроительный инструмент. Жилищное строительство, № 5, с. 30–33.
9. Коровин Я.С., Хисамутдинов М.В., Ткаченко М.Г., 2013. Прогнозирование состояния нефтепромысловых объектов с
применением технологий эволюционных алгоритмов и искусственных нейронных сетей. Нефтяное хозяйство, № 12, с. 128–133.
10. Королев В.А., 2021. О задачах цифровизации и искусственного интеллекта в инженерной геологии. Инженерная геология,
Том ХVI, № 1, с. 10–23, https://doi.org/10.25296/1993-5056-2021-16-1-10-23.
11. Левянт В.Б., Ампилов Ю.П., Глоговский В.М., Колесов В.В., Коростышевский М.Б., Птецов С.Н., 2006. Методические
рекомендации по использованию данных сейсморазведки (2D, 3D) для подсчета запасов нефти и газа. Изд-во ОАО
«Центральная геофизическая экспедиция», Москва.
12. Мельниченко И.А., Кириченко Ю.В., 2021. Пространственное районирование месторождений полезных ископаемых. Горный
информационно-аналитический бюллетень, № 4, с. 46–56, https://doi.org/10.25018/0236_1493_2021_4_0_46.
13. Серов А.Ю., Антипов А.В., Гаврилов С.Г., Сидорова Н.И. (ред.), 2019. 75 лет инженерных изысканий в Москве. Талан Групп, Тверь.
14. Avalos S., Ortiz J.M., 2019. Geological modeling using a recursive convolutional neural networks approach. URL:
https://doi.org/10.48550/arXiv.1904.12190. (дата обращения: 07.05.2024).
15. Baynes F.J., Parry S., 2022. Guidelines for the development and application of engineering geological models on projects.
URL: https://www.iaeg.it/en/iaeg-commission-25-publication-no-i-2/ (дата обращения: 07.05.2024).
16. Bi Zh., Wu X., Li Zh., Chang D., Yong X., 2022. DeepISMNet: three-dimensional implicit structural modeling with convolutional
neural network. Geoscientific Model Development, Vol. 15, Issue 17, pp. 6841–6861. https://doi.org/10.5194/gmd-15-6841-2022.
17. Erharter G.H., Tschuchnigg F., Poscher G., 2021. Stochastic 3D modeling of discrete sediment bodies for geotechnical applications.
Applied Computing and Geosciences, Vol. 11, ID 100066, https://doi.org/10.1016/j.acags.2021.100066.
18. Fan G.-F., Zhang L.-Zh., Yu M., Hong W.-Ch., Dong S.-Q., 2022. Applications of random forest in multivariable response surface for
short-term load forecasting. International Journal of Electrical Power and Energy Systems, Vol. 139, ID 108073,
https://doi.org/10.1016/j.ijepes.2022.108073.
19. Gonçalves Í.G., Kumaira S., Guadagnin F., 2017. A machine learning approach to the potential-field method for implicit modeling of
geological structures. Computers and Geosciences, Vol. 103, pp. 173–182, https://doi.org/10.1016/j.cageo.2017.03.015.
20. Guo J., Xu X., Wang X., Wu L., Jessell M., Ogarko V., Liu Zh., Zheng Y., 2023. GeoPDNN 1.0: a semi-supervised deep learning
neural network using pseudo-labels for three-dimensional shallow strata modelling and uncertainty analysis in urban areas from
borehole data. Geoscientific Model Development, Vol. 17, Issue 3, pp. 957–973, https://doi.org/10.5194/gmd-2023-11.
21. Hillier M., Wellmann F., Brodaric B., De Kemp E., Schetselaar E., 2021. Three-dimensional structural geological modeling using
graph neural networks. Mathematical Geosciences, Vol. 53, pp. 1725–1749, https://doi.org/10.1007/s11004-021-09945-x.
22. Jia R., Lv Y., Wang G., Carranza E., Chen Y.Q., Wei C., Zhang Z.Q., 2021. A stacking methodology of machine learning for 3D
geological modeling with geological-geophysical datasets, Laochang Sn camp, Gejiu (China). Computers and Geosciences, Vol. 151,
https://doi.org/10.1016/j.cageo.2021.104754.
23. Khan M.Sh., Kim I.S., Seo J., 2023. A boundary and voxel-based 3D geological data management system leveraging BIM and GIS.
International Journal of Applied Earth Observation and Geoinformation, Vol. 118, ID 103277,
https://doi.org/10.1016/j.jag.2023.103277.
24. Li H., Wan B., Chu D., Wang R., Ma G., Fu J., Xiao Z., 2023. Progressive geological modeling and uncertainty analysis using
machine learning. ISPRS International Journal of Geo-Information, Vol. 12, Issue 3, ID 97, https://doi.org/10.3390/ijgi12030097.
25. Rogiers B., Mallants D., Batelaan O., Gedeon M., Huysmans M., Dassargues A., 2017. Model-based classification of CPT data and
automated lithostratigraphic mapping for high-resolution characterization of a heterogeneous sedimentary aquifer. PLoS One, Vol. 12,
Issue 5, ID e0176656, https://doi.org/10.1371/journal.pone.0176656.
26. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H., 2021. Application of machine learning and artificial intelligence in oil and gas
industry. Petroleum Research, Vol. 6, Issue 4, pp. 379–391, https://doi.org/10.1016/j.ptlrs.2021.05.009.
27. Smirnoff A., Boisvert E., Paradis S.J., 2008. Support vector machine for 3D modeling from sparse geological information of various
origins. Computers and Geosciences, Vol. 34, Issue 2, pp. 127–143, https://doi.org/10.1016/j.cageo.2006.12.008.
28. Zhang Z., Wang G., Carranza E.J., Liu C., Li J., Fu C., Xinxing L., Chen C., Fan J., Dong Y., 2023. An integrated machine learning
framework with uncertainty quantification for three-dimensional lithological modeling from multi-source geophysical data and
drilling data. Engineering Geology, Vol. 324, ID 107255, https://doi.org/10.1016/j.enggeo.2023.107255.
29. Официальный сайт Государственного автономного учреждения Московской области «Московская областная государственная
экспертиза», 2024. Требования к цифровым информационным моделям результатов инженерных изысканий, представляемым
для проведения экспертизы. Редакция 3.1. URL: https://moexp.ru/doc/treb_cim_ii_v31.pdf (дата обращения: 19.05.2024).
30. Официальный портал Мэра и Правительства Москвы, 2024. Требования к информационным моделям объектов капитального
строительства. Часть 6. Требования к представлению результатов инженерных изысканий для прохождения экспертизы при
использовании технологии информационного моделирования. Редакция 1.1. URL: https://www.mos.ru/upload/documents/files/
6083/06_TrebovaniyakrezyltatamII_11v2.pdf (дата обращения: 30.05.2024).
31. Официальный сайт Санкт-Петербургского государственного автономного учреждения Центра государственной экспертизы,
2024. Рекомендации по формированию технического задания на выполнение инженерных изысканий с применением
технологий информационного моделирования. Требования к цифровым информационным моделям результатов инженерных
изысканий. Редакция 1.0. URL: https://www.spbexp.ru/upload/iblock/1c1/kb52h4t0b43ks24l1q5kcbzw6g5ms5nq/trebovaniya_
k_tsim_rii_red_1.0_25_09_2023_.pdf (дата обращения: 07.05.2024).

ЖИДКОВ Р.Ю.
ГБУ «Мосгоргеотрест», г. Москва, Россия, rzhidkov@mggt.ru
Адрес: Ленинградский пр-кт, д. 11, г. Москва, 125040, Россия
АБАКУМОВА Н.В.*
Московский государственный университет им. М.В. Ломоносова, г. Москва, Россия, abakumova.nv@mail.ru
Адрес: Ленинские горы, д. 1, г. Москва, 119234, Россия
РЕКУН В.С.
ГБУ «Мосгоргеотрест», г. Москва, Россия, vrekun@mggt.ru
РОМАНОВА Е.Р.
Институт геоэкологии им. Е.М. Сергеева РАН, г. Москва, Россия, romanova.elizaveta.r@yandex.ru
Адрес: Уланский пер., д. 13, стр. 2, г. Москва, 101000, Россия
Национальный исследовательский Московский государственный строительный университет, г. Москва, Россия
Адрес: Ярославское шоссе, д. 26, г. Москва, 129337, Россия

The paper is devoted to the application of machine learning methods and approaches in engineering-geological modeling. Currently, these technologies are widely used in the oil and gas industry and in the interpretation of geophysical studies, but they are rarely applied in the field of engineering-geological surveys and research. The main goal of the study is to demonstrate the possibility and feasibility of using machine learning methods for creating 3D engineering-geological models. The paper analyzes existing publications and systematizes the results of studies on the use of machine learning technologies for creating 3D lithological and structural-geological models. In the experimental part of the study, a 3D block (voxel) model of the alluvial deposits layer at a site in western Moscow was developed. When applying machine learning technologies, two approaches were considered: abstract geometric and regional geological. The first one involves developing machine learning models based on the spatial position of blocks defined by coordinates x, y, z, without taking into account the natural and man-made conditions of the territory. The regional geological approach is based on a multifactor analysis of a set of features that allow considering sedimentation characteristics and assessing the features of natural and man-made transformation within the modeling area. During the experiment, to assess basic prediction accuracy, an interpretation of the lithological structure in the inter-well space was performed using other automated and manual methods. Accuracy assessment was carried out by comparing the result with data from control samples of geological wells. The study’s findings showed that developing machine learning models based on the regional geological approach can improve the accuracy of predicting lithological structures compared to all alternative interpretation options examined. Thus, the use of machine learning technologies can significantly enhance the quality and reliability of the resulting models.

1. Amanova G.S., Voznesensky E.A., 2023. Engineering-geological modeling of the spatial heterogeneity of soils. Gruntovedenie,
No. 2, pp. 13–28, https://doi.org/10.53278/2306-9139-2023-2-21-13-28. (in Russian)
2. Antipov A.V. (ed.), 2012. Geological atlas of Moscow (in 10 volumes with explanatory note). Scale 1:10 000. Publishing house of the
State Budgetary Institution “Mosgorgeotrest”, Moscow. (in Russian)
3. Bershov А.V., 2015. On the need of transition to three-dimensional (3D) modeling and presentation of materials in engineeringgeological
and engineering-geotechnical surveys. Prospects for development of engineering survey in Russian Federation, Materials
of the 11th All-Russian Conference of prospecting organizations, Moscow, 2015, pp. 75–79. (in Russian)
4. Boldyrev G.G., 2022. Three-dimensional modeling and visualization of engineering-geological surveys’ data. State of the issue and
practical implementation. Engineering Survey, Vol. XVI, No. 1, pp. 8–26, https://doi.org/10.25296/1997-8650-2022-16-1-8-26.
(in Russian)
5. Gataulin R.M., Mityukov A.V., Nazarov S.A., 2005. Three-dimensional facies analysis based on neural and hierarchical clustering.
Geofizika, No. 4, pp. 7–9. (in Russian)
6. Zhidkov R.Yu., 2022. Application of machine learning methods in engineering-geological research. World experience and prospects
for application in Russia. Prospects for development of engineering survey in Russian Federation, Materials of the 17th All-Russian
Conference and Exhibition of prospecting organizations, Moscow, 2022, pp. 91–97. (in Russian)
7. Zhidkov R.Yu., Abakumova N.V., Rakitina N.N., Lesnikov G.A., Rekun V.S., Petrov A.K., 2023. Accuracy and reliability assessment
of engineering-geological models based on machine learning. Geoekologiya, No. 6, pp. 3–15,
https://doi.org/10.31857/S0869780923060115. (in Russian)
8. Zhidkov R.Yu., Buchkin M.N., Serov A.Yu., 2017. Three-dimensional computer model of the underground space as an innovative
urban planning tool. Zhilishchnoye Stroitelstvo, No. 5, pp. 30–33. (in Russian)
9. Korovin Ya.S., Khisamutdinov M.V., Tkachenko M.G., 2013. Forecasting of oilfield equipment work conditions with the application
of evolutionary algorithms and artificial neural networks. Oil Industry, No. 12, pp. 128–133. (in Russian)
10. Korolev V.A., 2021. On the problems of digitalization and artificial intelligence in engineering geology. Engineering Geology World,
Vol. XVI, No. 1, pp. 10–23, https://doi.org/10.25296/1993-5056-2021-16-1-10-23. (in Russian)
11. Levant V.B., Ampilov Yu.P., Glogovsky V.M., Kolesov V.V., Korostyshevsky M.B., Ptetsov S.N., 2006. Guidelines for the use of
seismic data (2D, 3D) for calculating oil and gas reserves. Publishing house of the Central Geophysical Expedition JSC, Moscow.
(in Russian)
12. Melnichenko I.A., Kirichenko Yu.V., 2021. Spatial zoning of mineral deposits. Mining Informational and Analytical Bulletin, No. 4,
pp. 46–56, https://doi.org/10.25018/0236_1493_2021_4_0_46. (in Russian)
13. Serov A.Yu., Antipov A.V., Gavrilov S.G., Sidorova N.I. (eds), 2019. 75 years of engineering surveys in Moscow. Talan Grupp, Tver.
(in Russian)
14. Avalos S., Ortiz J.M., 2019. Geological modeling using a recursive convolutional neural networks approach. URL: https://doi.org/
10.48550/arXiv.1904.12190. (accessed: 7 May 2024).
15. Baynes F.J., Parry S., 2022. Guidelines for the development and application of engineering geological models on projects.
URL: https://www.iaeg.it/en/iaeg-commission-25-publication-no-i-2/ (accessed: 7 May 2024).
16. Bi Zh., Wu X., Li Zh., Chang D., Yong X., 2022. DeepISMNet: three-dimensional implicit structural modeling with convolutional
neural network. Geoscientific Model Development, Vol. 15, Issue 17, pp. 6841–6861. https://doi.org/10.5194/gmd-15-6841-2022.
17. Erharter G.H., Tschuchnigg F., Poscher G., 2021. Stochastic 3D modeling of discrete sediment bodies for geotechnical applications.
Applied Computing and Geosciences, Vol. 11, ID 100066, https://doi.org/10.1016/j.acags.2021.100066.
18. Fan G.-F., Zhang L.-Zh., Yu M., Hong W.-Ch., Dong S.-Q., 2022. Applications of random forest in multivariable response surface for
short-term load forecasting. International Journal of Electrical Power and Energy Systems, Vol. 139, ID 108073,
https://doi.org/10.1016/j.ijepes.2022.108073.
19. Gonçalves Í.G., Kumaira S., Guadagnin F., 2017. A machine learning approach to the potential-field method for implicit modeling of
geological structures. Computers and Geosciences, Vol. 103, pp. 173–182, https://doi.org/10.1016/j.cageo.2017.03.015.
20. Guo J., Xu X., Wang X., Wu L., Jessell M., Ogarko V., Liu Zh., Zheng Y., 2023. GeoPDNN 1.0: a semi-supervised deep learning
neural network using pseudo-labels for three-dimensional shallow strata modelling and uncertainty analysis in urban areas from
borehole data. Geoscientific Model Development, Vol. 17, Issue 3, pp. 957–973, https://doi.org/10.5194/gmd-2023-11.
21. Hillier M., Wellmann F., Brodaric B., De Kemp E., Schetselaar E., 2021. Three-dimensional structural geological modeling using
graph neural networks. Mathematical Geosciences, Vol. 53, pp. 1725–1749, https://doi.org/10.1007/s11004-021-09945-x.
22. Jia R., Lv Y., Wang G., Carranza E., Chen Y.Q., Wei C., Zhang Z.Q., 2021. A stacking methodology of machine learning for 3D
geological modeling with geological-geophysical datasets, Laochang Sn camp, Gejiu (China). Computers and Geosciences, Vol. 151,
https://doi.org/10.1016/j.cageo.2021.104754.
23. Khan M.Sh., Kim I.S., Seo J., 2023. A boundary and voxel-based 3D geological data management system leveraging BIM and GIS.
International Journal of Applied Earth Observation and Geoinformation, Vol. 118, ID 103277,
https://doi.org/10.1016/j.jag.2023.103277.
24. Li H., Wan B., Chu D., Wang R., Ma G., Fu J., Xiao Z., 2023. Progressive geological modeling and uncertainty analysis using
machine learning. ISPRS International Journal of Geo-Information, Vol. 12, Issue 3, ID 97, https://doi.org/10.3390/ijgi12030097.
25. Rogiers B., Mallants D., Batelaan O., Gedeon M., Huysmans M., Dassargues A., 2017. Model-based classification of CPT data and
automated lithostratigraphic mapping for high-resolution characterization of a heterogeneous sedimentary aquifer. PLoS One, Vol. 12,
Issue 5, ID e0176656, https://doi.org/10.1371/journal.pone.0176656.
26. Sircar A., Yadav K., Rayavarapu K., Bist N., Oza H., 2021. Application of machine learning and artificial intelligence in oil and gas
industry. Petroleum Research, Vol. 6, Issue 4, pp. 379–391, https://doi.org/10.1016/j.ptlrs.2021.05.009.
27. Smirnoff A., Boisvert E., Paradis S.J., 2008. Support vector machine for 3D modeling from sparse geological information of various
origins. Computers and Geosciences, Vol. 34, Issue 2, pp. 127–143, https://doi.org/10.1016/j.cageo.2006.12.008.
28. Zhang Z., Wang G., Carranza E.J., Liu C., Li J., Fu C., Xinxing L., Chen C., Fan J., Dong Y., 2023. An integrated machine learning
framework with uncertainty quantification for three-dimensional lithological modeling from multi-source geophysical data and
drilling data. Engineering Geology, Vol. 324, ID 107255, https://doi.org/10.1016/j.enggeo.2023.107255.
29. The official site of the State Autonomous Institution of the Moscow Region “Moscow Regional State Expertise”, 2024. Requirements
for digital information models of engineering survey results submitted for examination. Editorial 3.1. URL:
https://moexp.ru/doc/treb_cim_ii_v31.pdf (accessed: 19 May 2024). (in Russian)
30. Official portal of the Mayor and Government of Moscow, 2024. Requirements for information models of capital construction
projects. Part 6. Requirements for the presentation of engineering survey results for passing the examination when using information
modeling technology. Editorial 1.1. URL: https://www.mos.ru/upload/documents/files/6083/06_TrebovaniyakrezyltatamII_11v2.pdf
(accessed: 30 May 2024). (in Russian)
31. The official site of the Saint Petersburg State Autonomous Institution of the State Expertise Center, 2024. Recommendations for the
formation of technical specifications for the implementation of engineering surveys using information modeling technologies.
Requirements for digital information models of engineering survey results. Editorial 1.0. URL: https://www.spbexp.ru/upload/iblock/
1c1/kb52h4t0b43ks24l1q5kcbzw6g5ms5nq/trebovaniya_k_tsim_rii_red_1.0_25_09_2023_.pdf (accessed: 7 May 2024). (in Russian)

ROMAN Yu. ZHIDKOV
State Budgetary Institution “Mosgorgeotrest”; Moscow, Russia; rzhidkov@mggt.ru
Address: Bld. 11, Leningradsky Ave, 125040, Moscow, Russia
NATALIYA V. ABAKUMOVA*
Lomonosov Moscow State University; Moscow, Russia; abakumova.nv@mail.ru
Address: Bld. 1, Leninskie Gory, 119234, Moscow, Russia
VITALII S. REKUN
State Budgetary Institution “Mosgorgeotrest”; Moscow, Russia; vrekun@mggt.ru
ELIZAVETA R. ROMANOVA
Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences; Moscow, Russia; romanova.elizaveta.r@yandex.ru
Address: Bld. 13, Pde 2, Р.О. box 145, Ulansky Ln., 101000, Moscow, Russia
Moscow State (National Research) University of Civil Engineering; Moscow, Russia
Address: Bld. 26, Yaroslavskoe Hwy, 129337, Moscow, Russia