[
    {
        "id": "osp-15301",
        "type": "article-journal",
        "title": "سير عمل بمساعدة الذكاء الاصطناعي للتكييف والتفسير الجيولوجي للاستخدام في النمذجة الجيولوجية الضمنية",
        "author": [
            {
                "family": "Carpentier",
                "given": "Stefan"
            },
            {
                "family": "van Wees",
                "given": "Jan Diederik"
            },
            {
                "family": "de Boever",
                "given": "Eva"
            },
            {
                "family": "Niederau",
                "given": "Jan"
            },
            {
                "family": "Chapeland",
                "given": "Camille"
            },
            {
                "family": "Atkins",
                "given": "Suzanne"
            },
            {
                "family": "Boullenger",
                "given": "Boris"
            },
            {
                "family": "Wollenweber",
                "given": "Jens"
            }
        ],
        "URL": "https://omanscience.com/ar/articles/an-ai-assisted-conditioning-and-geological-interpretation-workflow-for-usage-in-implicit-geological-modeling",
        "language": "en",
        "issued": {
            "date-parts": [
                [
                    2026
                ]
            ]
        },
        "abstract": "النمذجة الضمنية والزمن الجيولوجي النسبي تقنيتان في النمذجة الجيولوجية تتيحان نتائج أكثر كفاءة وسرعة وأقل انحيازاً وأعلى قابلية للتكرار. ولكي تعمل هذه التقنيات بشكل مثالي، تحتاج إلى كثير من البيانات المقيدة جيداً. وفي إطار مشروعي Horizon Europe GO-Forward وMOOI WarmingUP GOO، ولتسريع النمذجة الضمنية، جُربت طرق التعلم الآلي (ML) ونُفذت في مجموعة أدوات لتفسير البيانات الزلزالية البرية من الطبقات الضحلة حتى العميقة (نحو 300–3500 متر). والهدف هو توصيف هذا النطاق العمقي بسرعة عبر التفسير الفعّال للأفق والصدوع في البيانات الزلزالية. والخطوة الأولى تحسين الإشارة بتطبيق تقنيات الذكاء الاصطناعي، مثل الشبكات التلافيفية للتعلم التبايني ذاتي الإشراف وشبه الخاضع للإشراف، لتقليل الضوضاء والاستيفاء. ثم تُفسَّر الأفق والصدوع باستخدام أقل قدر من بيانات التدريب البشرية، عبر أساليب (شبه) ذاتية الإشراف. وتدعم مجموعة الأدوات الناتجة تطبيق الخوارزميات المنفذة في سير عمل فعّال. وبوصفه عرضاً أولياً، فُسّرت قمة تشكيل Maassluis الهولندي في كتلتي البيانات الزلزالية ثلاثيتي الأبعاد لـ Leeuwarden وWaalwijk. وبوجه عام، تبيّن هذه الدراسة أن سير عمل التفسير بمساعدة الذكاء الاصطناعي بلغ نضجاً يسمح بدمجه في النمذجة الجيولوجية التطبيقية واتخاذ القرار."
    }
]