Earth&Climate Tech

Метрики ESG - круто или нет? Как вы, вероятно, знаете ESG (environmental, social and governance standards) - это такой набор стандартов, предназначенных для оценки деловой практики с точки зрения устойчивого развития компаний и их этических норм. Существуют рейтинги ESG для инвестирования, типа товарищи инвесторы, гонитесь не только за прибылью, но и будьте социально ответственными инвесторами. Идея норм, ужасное и унизительное производство, наносящее непоправимый экологический вред без попытки восстановления - ESG рейтинг маленький и в тебя меньше инвестируют. Но на практике иногда это выглядит как гринвошинг и это грустно. Агенство S&P выпустило очередной ESG рейтинг и согласно ему табачные компании, например Brittish American Tobacco, уделывают в этом рейтинге Tesla (на картинках). У табачной компании 85 из 100, у Теслы 37 из 100. От табакокурения в мире ежегодно гибнет 7 млн. человек. Hо если показывать инвесторам, что ты поддерживаешь меньшинства, финансируешь ученых из Африки и используешь только экологичные практики для выращивания наркотиков табака, то ты уже ответственный владелец бизнеса и твой ESG рейтинг может взлететь. Сам я топлю за прекрасное энергетически сбалансированное будущее, и в целом за морально-ответственное инвестирование. Но иногда перегибы по причесыванию ESG метрик и показной прогрессивизм, только для того, чтобы словить хайп и остаться в деле, вызывают отторжение. Хотелось бы, чтобы технология подсчета этих рейтингов была пересмотрена. Если что вот сама новость. #news #sustainability #ESG

Mineral-X. Начало Вчера и сегодня сижу на открытии Mineral-X - это коммьюнити, в центре которого Стэнфордская группа Джефа Каерса. Они конечно про AI, но также про коммьюнити, ответственную добычу, декарбонизацию и объединение. Если вы занимаетесь или интересуетесь, то следите за ними внимательно. На открытии были топы Теслы, Kobold Metals, Exxon, Google X люди из департамента энергетики и инвесторы. В чем посыл и хайп? Игроки начинают верить, что рынок декарбонизации и критического минерального сырья раздувается, теперь дело за технологиями и их внедрением, при чем на всех этапах цепочки. Mineral-X хочет стать центральным элементом объединяющим исследователей, бизнес, итнвесторов и представителей государства. Тесла рассказывала, что для безуглеродного будущего у нас есть все. Согласно их рассчетам нам нужно хранилищ на 240 ТВт, 30 ТВт возобновляемой энергии и $10 трлн инвестиций. По сравнению с сегодняшним днем нужно на 20% больше лития, на 15% больше никеля и серебра. Между 2023 и 2050 годом понадобится больше меди, чем мир использовал между 1900 и 2022. Вообще у Теслы есть крутой план по устойчивому развитию всея Земли - ссылка ниже. KoBold рассказал, что в мире скоро возникнет дефицит предложения маталлов примерно в $12 трлн (картинка 3). При этом компании добывающие сырье не тратятся на исследования. Как результат растут затраты на добычу, эффективность разведки падает и накапливается технологический бэклог. Все что было на поверхности уже добыли, теперь как-то нужно думать как эффективно искать то, что под землей. Тем самым он сделал отсылку на работу Джефа Каерса, про интеллектуальных AI агентов для процесса приятия решений при разведке и добыче металлов (и не только). Я писал про это тут. Были секции и дискуссии не только по AI и разведке сырья, но и по переработке батарей, по ответственной и экологичной добыче, работе с местными коммьюнити, например в африканских и латам странах. Мне понравилось. Воодушевляет и хочется верить в будущее. 📖 - тот самый доклад от Tesla #mineral #event

Минутка личных новостей 😎 Вчера прошел через выпускную церемонию Стэндфордской Школы Устойчивого Развития. Было интересно, весело и помпезно как любят американцы. Всплакнуть бы, но чувства немного смазались, ведь прошел почти год с момента защиты моей диссертации. Я-то и диплом уже давно получил. Так как официальная часть награждения проходит в единственный день в году, когда чествуют всех выпускников Стэнфорда, я нарядился в регалии в первый, и, возможно последний раз.  В академической среде есть понятие “hooding ceremony”, это когда профессор надевает докторский капюшон через голову выпускника, что свидетельствует об их успешном завершении докторантуры. Типа щегол теперь имеет право носить разноцветный шелковый шарфик поверх мантии 👨‍🎓. Меня посвящал Профессор Тапан Мукерджи, мой, можно сказать, научный руководитель. Когда-то я боялся притрагиваться к его научным книгам, потому что для меня они были слишком заумные, недосягаемая величина. Но потом судьба распорядилась так, что я стал делать исследования под его менторством. И вот финальный аккорд - фоточка с ним. Кстати, если у вас есть вопросы по поводу поступления на PhD в американский ВУЗ, то можете задавать. Поделюсь опытом. Тут главное самому себе ответить на вопрос нужно ли это. И ответ этот ох какой неоднозначный и сугубо индивидуальный, особенно для таких “возрастных” кандидатов как я. #stanford #personal

Играюсь с гугловской языковой моделью Bard. Взял кусок отчета по испытанию скважины. Попросил модель составить таблицу на основании отчета с глубиной испытания, названием формации и дебитом газа. Bard все сделал по высшему разряду 💪. Еще и кнопочка - выгрузить таблицу 🤩.

**Выделение объектов на Лидаре с помощью ML** LiDAR (Light identification, Detection and Ranging) - крутая штука. Это технология получения и обработки информации с помощью активных оптических систем (лазеров). Такой "лазерный дальнометр" для картирования объектов в 3Д и еще с координатами. Используется повсеместно в куче индустрий от беспилотных автомобилей до майнинга. Даже на айфонах есть (но не на моем 😢). На картинке, например, "лидарная" карта залива Линнхейвен в Вирджинии 🤩. Но я даже не про красивые картинки. Они же просто красивые, а пользы сами по себе приносят мало. Польза есть, если, например, из этих моделей, по сути точек с координатами, вытаскивать реальные объекты. То есть делать сегментацию 💡. Об этом и интересная статья на Медиуме: Introducing Segment-Lidar: Revolutionizing Unsupervised Instance Segmentation of Aerial LiDAR Data, которая рассказывает как применять крутейший алгоритм по выделению объектов SAM от компании Meta для выделения объектов на геопространственных данных, полученных с помощью Лидара (картинка 2). Статья, собственно, представляет собой пошаговую инструкцию, как это делать с помощью модуля в Питоне segment-lidar. 📖 Medium 💻 Github #GIS #ML

Все ингредиенты для зарождения органической жизни на спутнике Сатурна У НАСА и европейскго космического агенства есть такая миссия Кассини, которая изучает Сатурн 🪐 и его спутники с 2005 года. На сайте НАСА вышла новость, что используя данные, собранные миссией Кассини, международная группа ученых обнаружила фосфор на одном из спутников Сатурна - Энцеладе. На Энцеладе есть подземный океан и ледяная кора, сквозь трещины которой прорываются водяные гейзеры . Частицы льда из этого океана в том числе питают одно из колец Сатурна. Именно там зонд и раздобыл эти ледяные частицы с включениями фосфора. Обнаружение фосфора интересно тем, что этот элемент наименее распространенный из основных элементов, необходимых для биологических процессов, до сих пор не был обнаружен на Энцеладе. Например, азот и кислород там обнаружили давно. Фосфор является фундаментальной частью всей земной органики. Без него жизнь была бы невозможна. Ну и сам спутник красивый! #news #beyondEarth #science

​​Комплексное глубокое обучение для моделей месторождений. Нажал на кнопочку - готово! Руслан Мифтахов выпустил очередное видео, на этот раз про комплексное (end-to-end) глубокое обучение для моделирования месторождений. Посмотрите, будет интересно тем кто этим занимается. Видео основано на статье специалистов SLB "Deep learning for end-to-end subsurface modeling and interpretation: An example from the Groningen gas field". Как и рассказывает Руслан, идея end-to-end глубокого обучения для моделирования месторождений довольно крутая и у нее есть прекрасная аналогия в мире беспилотных автомобилей - собираем все возможные алгоритмы прогнозы обстановки на дороге и автоматизации в одну систему. Что если сделать подобное и для дорогостоящего и длительного процесса моделирования подземных месторождений чего угодно, хоть нефти, хоть минералов 🤔? Например, есть несколько видов данных (со скважин и сейсмические данные). Их нужно обработать, интерпретировать каждый вид данных особым способом, закартировать и наконец сделать 3D модель свойств горных пород и флюидов - типа, бурить сюда! Интересно, что модели машинного обучения уже представлены для каждого процесса в отдельности. Есть модели машинного обучения для обработки скважинных данных, есть модели машинного обучения для автоматического выделения тектонических разломов на сейсмике и так далее. Авторы статьи, делают один, на мой взгляд пока небольшой, шаг к полной автоматизации процесса интерпретации и моделирования. Они говорят, давайте соберем все эти модели и придумаем автоматический процесс, чтобы собрать данные, нажать на кнопочку и на выходе получить модель свойств всея Земли (на картинке). Это может быть модель пористости или плотности пород, да чего угодно. Я лично знаком с авторами, коллеги все-таки. Действительно, у них есть работающие компоненты, которые они собрали в статье под одним зонтиком. Это в основном сверточные нейронные сети для различных задач. Идея крутая, но даже для частичной ее реализации, на мой взгляд, нужно пройти большой путь. Ведь то, что у нас под ногами скрыто от наших глаз, в отличие от того, что видит камера беспилотного автомобиля. Подземного сканера с супер-разрешением все еще нет, где ты Илон Маск? Поэтому в игру вступают неопределенность и сдвиг данных. Неопределенность геологических моделей будет всегда, потому что этих моделей бескочнечность, ведь мы точно никогда не узнаем что там под землей, а можем лишь догадываться по обрывкам данных. Если эту неопределенность не учитывать - будет финансово больно, даже при наличии самых красивых моделей и самых глубоких обучателей. Сдвиг данных, возникает тогда, когда модель обученная на одних данных, попадает в новые условия. И в геонауках это серьезная проблема. Не смотря на аналогии, нет двух одинаковых месторождений, и даже если модель обучить на 1000 месторждениях, 1001-е будет другое и производительность модели будет значительно ниже и вероятно не понравится, людям принимающим решение о бурении скважины стоимостью стопицот миллионов . Умные геоинженеры и обучатели машин сейчас работают над тем, чтобы побороть эти две проблемы для моделирования месторождений, но с переменным успехом (на мой взгляд опять же). Пост может показатья кому-то скептическим, но на самом деле я полон оптимизма. Каких-то пять лет назад даже 10-я часть предложенных алгоритмов была невозможна по разным причинам, а сегодня уже идут разговоры о полной автоматизации моделирования с помощью машинного обучения. Повсеместная адаптация займет еще много лет, но все равно впереди блестящее будущее! 📖 статья #ML #AI #geo #subsurface

Все-таки люблю красивую инфографику. На картинке визуализация крупнейших мировых производителей лития в 2022 году. Австралия и Чили - вне конкуреции. При чем Австралия едиснтвенный крупный производитель лития, который добывает сырье из горных пород. Остальные из литиевых рассолов. На инфографике этого нет, но Китай перерабатывает около 60% лития (и до 90% редкоземельных металлов), что делает его доминантом в цепочке поставок. #metals #mining #infographics

Коэффициент "офигенности" городского вида на горы 🌄 Любите, когда в каком-то городе есть сногсшибательный вид на горы? Однажды пользователь сети reddit Kai Xu, наткнулся на обсуждение Лос Анджелесского вида на горы. Что мол круче вида на горы нет на всем свете. Посмотрите на первую картинку, правда красиво ведь! В обсуждении, естественно, начался знатный срач (извините за мой язык), что мол видали гордские виды на горы и покруче. Kai Xu решил всех помирить и придумал ряд количественных коэффициентов по рассчету крутости городского вида на горы и опубликовал соответствующую научную статью! В ней автор предлагает использовать число rut, которое измеряет насколько "впечатляюще" точка (в нашем случае город) опускается ниже своего непосредственного окружения, учитывая разницу высот и крутизну падения (формула в статье!🤌). Это число равно или больше 0. Чем выше горы возвышаются над городом, тем выше rut; чем круче горы над городом, тем выше rut. Все просто, но прикольно, что это все можно количественно рассчитать для всех городов планеты при известной топографии. На второй картинке, Kai Xu, закартировал все города с населением более 100 000 человек, а цветом показал тот самый rut. Также, он условно разделил города по категориям: 🏔категория S (один из самых лучших в мире видов из окна) - rut > 500. Например, Покхара, Непал или Инсбрук, Австрия 🏔категория А (впечатляюще, но ради вида из окна ехать не стоит) - rut 200-500. Например, Алматы или Тегеран 🏔категория В (небольшие горы близко или большие горы далеко) - rut 100-200. Например, Ванкувер или Лос Анджелес 🏔категория С (холмы или небольшие горы) - rut 25-100. Например, Сеул или Рим Вид на горы у Лос Анджелеса и правда красивый! Но не самый "впечатляющий" - научно доказано 👨‍🎓! Если что вот табличка по которой построена карта. Там можете найти интересущий вас город и посмотреть стоит ли туда ехать из-за вида на горы. И пост автора на reddit. #funfact #mountains #geo

Из забавного. Есть такая компания Helios Aragorn, которая собирается добывать водород где-то в Пиренеях из залежи с объемом водорода порядка 14 млрд.м3. Нашли, кажется, опять случайно, по данным старых нефтегазовых скважин родом из 1960-х. Назвали красиво - Aragorn Project. Они обрадовались, получили геологоразведочную лицензию и даже собрались строить водородопровод для поставок во Францию. Но Испанское законодательство запрещает бурение на УВ и поиски урана. Так как эта ваша мерзкая нефть боком прикоснулась к золотому водороду (так называют геологический водород), то он уже запутан в смертельных нефтегазовых делишках, поэтому и бурить там нельзя. Пока для меня история выглядит именно таким странным образом 😀. По крайней мере в статье так написано. Обратная сторона медали в общем. #hydrogen #startup #climate

​​Захват и минерализация углекислого газа Пару недель назад участвовал в мини-конфереции по секвестрации углекислого газа, организованной Калифорнийским Технологическим Институтом (CalTech). Интересно, что на ряду со взрослымми "ребятами" типа Exxon и TotalEnergies, которые в основном по закачке СО2 в водоносные пласты, геологическим рискам и дальнейшему мониторингу, участвовали молодые компании CarbFix и 44.01, которые минерализирют CO2 в горных породах. Про СаrbFix писал когда-то. Они закачивают смесь в базальтовые пласты. Потом она минерализируется в течение 2-х лет. А про компанию с названием 44.01 не знал. Они делают похожую технологию, но закачивают СО2 в горную породу под названием перидотит. Они считают, что каждая тонна перидотита может минерализовать 500-600 кг CO2 в течение 12 месяцев, что является большим потенциалом поглощения, чем у любой другой породы. Говорят могут закачивать до миллиарда тонн в год к 2040 году, что сопоставимо с годовыми выбросами всех аэроперевозок. И да, название у компании довльно интересное, правда? В общем, 44.01 - это молекулярная масса CO2. #startup #climate #CO2 #geo

Исследователи добурили до мантии в Затерянном Городе 😱 Исследователи из международной программы по изучению океана (IODP) наконец добурились до мантии в Срединно-Атлантическом хребте и прошли аж 1 км в серпентинитах (мантийная горная порода такая), и продолжают бурить. Зачем им вообще это понадобилось? На континентах, где живет большинство из вас, земная кора толщиной в несколько десятков километров. Технологии пока не позволяют добурить, до лежащей под ней мантии. Но зато под океанами кора толщиной всего лишь несколько километров. Но так уж вышло, что до сих пор никто не "забуривался" в мантию достаточно глубоко, чтобы делать научные выводы. Как вы наверняка знаете, развитие дна в Срединно-Атлантическом хребте это постоянный магматический процеес 🌋 - разломы раскалывают дно, раздвигая твердь земную и из недр изливается лава, образуя земную кору (это если совсем просто). Но кое-где магматизм не поспевает за спредингом и разломы растяжения обнажают мантийные породы на еще более мелких глубинах - вот туда-то, а точнее на массив, который называется Атлантида и нацеливались искатели геологических приключений. Дальше еще интереснее. В пределах этого массива Атлантида, находится...барабанная дробь...Затеряный Город (Lost City)! И это не остатки цивилизации атлантов, как многим хотелось бы, а океанический гидротермальный источник, И претендент номер один для исследования происхождения жизни на Земле. Источник Затеряный Город знаменит выделением водорода и метана. Первый образуется в результате реакции между морской водой и мантийным минералом оливином и является мощным источником энергии, который, возможно, подпитывал формирование первых строительных блоков жизни на Земле. Ученые предполагают, что Затерянный Город, может быть аналогом систем, в которых происходили реакции, приведшие к раннему развитию жизни. Фуух. Надеюсь еще читаете! Теперь соединяем мантию и Затерянный Город. 🦠 Одной из основных целей экспедиции является изучение реакций между оливином (мантия) и морской водой, в результате которых образуется серпентинит и которые активно происходят на глубине массива, и предположительно были источником энергии для образования жизни. И изучение пород мантии может об этом многое рассказать. Далее исследователи хотят изучить микроорганизмы, обитающих в породах и в отобранных флюидах, которые спообны выживать в сильнощелочной среде и при температуре до 100 градусов. Есть предположение, что именно они могли сформироваться первыми. 🪨 Не менее важная цель, может не настолько романтичная конечно, это понять как магма выделяется из мантии и поднимается сквозь земную кору, вызывая вулканизм 🌋. Это может стать большим шагом вперед для понимания магматизма и глобального состава Земли. В общем прям настоящая наука! Если что, бурение и выходы горных пород на поверхность, являются единственной машиной времени, которая может перенести нас на миллионы и даже миллиарды лет назад. Другой машины времени у меня для вас нет. P.S. на картинке те самые породы мантии 🤩 📖 - почитать подробнее в Science

Решил немного помучать гео-возможность GPT4: Поскольку мы тут шароверы, известно, что земля круглая, у каждой точки на поверхности есть – точка-антипод на другой стороне земли. Антиподов локаций указывающих не в океан, не так много, например – есть Новая Зеландия и Испания (то есть прокопав сквозь землю туннель, можно сделать хамоно-провод в Новую Зеландию). Попросил у GPT4 самые похожие дороги среди антиподов, и модель правда нашла – разные стороны земли, а дороги по структуре маршрута похожи. Правда, они должны быть еще и зеркальными, но это уже с GPT5 видимо. Короче, если вы хотите самую странную и ненужную ачивку путешественника то вам сначала нужно проехать по этому маршруту, а потом по этому. Кстати я когда-то с коллегой делал такое AR-приложение для смартфонов (еще до ArKit эпохи), чтобы смотреть сквозь землю, но оно оказалось очень скучным, так как ~71% поверхности земли это вода (круто делать ресеч до разработки прототипа, рекомендую ☕️). Не буду даже говорить какую портяну промпт-инженеринга пришлось написать, чтобы получить ответ ✨

​​4 бесплатных мини-курса про ваш этот chatGPT йоу. любители новейших ИИ разработок. Хотели разобраться со всякими chatGPT и Dalle-E2, но не было времени? Вы видели, что DeepLearning.AI (Andrew Ng, Coursera) выпустили 4 бесплатных курса по новейшим хайповым ИИ темам? Короткие, буквально 1.5 часа каждый, но зато можно реально разобраться что к чему. Что там есть: 1️⃣ ChatGPT Prompt Engineering for Developers - 1.5 часа вас водят за ручку и рассказывают как оптимально использовать chatGPT (а по сути все большие языковые модели (LLM) для саммаризации, перевода, написания текста, экстракции информации в структурированном виде (json, html) и т.п.. В конце делаете своего мини чатбота по продаже пиццы. Не смотря на название продвинутых знаний в программиировании не требует. 2️⃣ LangChain for LLM Application Development - как использовать инструмент LangChain для создания своих приложений на основе LLM. Винимание уделяется "агентам" - это когда последующее действие программы, зависит от результата предыдущего. Агенты самостоятельно выполняют эти действия. 3️⃣ How Diffusion Models Work - как работают диффузионные модели. Мое любимое, потому что эти модели работают с изображениями. Учат как же так получается, что из шума появляются картинки. Знаний требуется побольше, чем в предыдущих курсах! 4️⃣ Building Systems with the ChatGPT API - продолжение 1️⃣, с элементами 2️⃣, но уже для построения более продвинутых систем. Этот сам еще не смотрел. Напомню, что у deeplearning.ai есть все, что нужно для вхождения в ML, кроме программирования и знаний английского: специализации по классическому машинному обучению, глубокому обучению, математика для машинного обучения и даже ИИ в медицине! Все это не про Earth&Climate конечео, просто хочу поделиться. #ML #AI #nongeo #course

​​Как найти геологический водород? Сейчас будет длинно, если совсем скучно - можете пропустить:) Водород считается самым чистым топливом 🌳. При горении выделяет тепло и воду. Красота. Еще умные люди придумали водородные батареи и нацелились на то, что водород будет играть огромную роль при переходе к безуглеродной энергетике. Я писал о разных способах получения водорода тут, и про водород геологический тут. Про последний можно поболтать подробнее, ведь это дешевый и чистый источник энергии. В недрах планеты огромное количество водорода. Его находят в разных местах планеты. Есть только одна проблема: нет по настоящему достоверной научной информации о том, как найти скопления водорода, сколько именно водорода в этом скоплении и как вообще выделить признаки по которым его можно найти. И вот тут на помощь могут прийти геологоразведчики из нефтегаза 👷‍♂🛢. Если взлетит, то и для них найдется работенка в водорододобыче 😀. Чтобы понимать водородный потенциал недр, ученым нужна более достоверные геологические модели образования, миграции и накопления (если он вообще накапливается) геологического водорода. А это по сути концепция моделирования нефтяных систем. Ученые и инженеры из нефтегаза за много десятилетий научились строить концептуальные геологические модели зарождения нефти, ее движения в недрах и накопления в так называемых ловушках. Эти модели помогают геологам анализировать факторы, которые должны сойтись вместе, чтобы эффективно образовать скопление нефти. Это как пазл из сотен кусочков, и если какой-либо из компонентов выйдет из строя, то скопление нефти не образуется! 😭 Скорее всего то же самое и с водородом. Чтобы адаптировать модель нефтяной системы к скоплениям водорода, геологи должны определить, как природный водород образуется в слоях горных пород, какие типы природных процессов могут повлиять на образовавшийся водород и как водород может попасть в слои горных пород на пути к поверхности. Что сейчас понимать важнее всего: ✅ - какие естестественные механизмы ведут к генерации к большого количества водорода? Например, подземные воды взаимодействуют с богатыми железом минералами, такими как оливин, взаимодействие может привести к восстановлению кислорода, который связывается с железом в минералах, и водорода, который мигрирует в пласты пород. ✅ - чтобы водород остался в этих пластах, должна присутствовать эффективная покрывающая порода, удерживающая газ на месте. На протяжении десятилетий ученые предполагали, что уплотняющие породы не могут эффективно сдерживать скопления водорода, потому что небольшой размер водорода позволяет ему проникать даже сквозь самые плотные породы. Однако диаметр молекулы из двух атомов водорода примерно равен диаметру одного атома гелия, и два газа, вероятно, захватываются одинаковыми слоями породы. Известны скопления гелия, которые сохранялись целых 100 миллионов лет, поэтому разумно предположить, что водород мог быть захвачен на аналогичные промежутки времени. ✅ - генерация водорода, считается, происходит довольно быстро. Поэтому, вполне вероятно, в некоторых случаях вообще не нужно учитывать наличие вмещающих пород и пород покрышек - просто бурить в генерационные слои, как со сланцевой нефтью. ✅ - разведка водорода скорее всего потребует аналогичных технологий, которые используются в разведке углевородородов. Технологии бурения и добычи скорее всего будут схожими, но конечно не идентичными. С геологическим водородом все еще ничего непонятно, и может все заглохнет так и не начавшись. Но для того, чтобы точно во всем убедиться ученые уделяют много времени изучению критериев поиска и разведки геологического водорода. #hydrogen #alternative #geo #climate

Машинное обучение в геонауках. Обзор 70 years of machine learning in geoscience in review - статья почти 3-х летней давности, но от этого не теряющя актуальности. В этой работе дается обзор развития машинного обучения в геонауках за последние 70 лет 👴, со времен когда еще и машинным обученем это никто не называл. Кригинг, деревья, метод опорных векторов и далее к сверточным сетям и генеративным моделям глубокого обучения. Отсутствует только обзор популярных в последние годы больших языковых и генерационных моделей. В общем такое краткое изложение того с чего все начиналось и к чему пришли, применяя статистику и программирование для понимания земных процессов. Ко всему прочему это еще и прекрасный обзор литературы 📚. Или идеальная вводная лекция для курса "Машинное обучение в геонауках/поиске ресурсов" #ML #AI #geoscience #paper

Эйнштейн и меандрирующие реки У нас сегодня выходной. Давайте об Эйнштейне:) Оказывается Альберт Эйнштейн был не только физиком теоретиком, а еще и немножко геологом. В 1926 он опубликовал статью про причины образования меандр. Название завораживающее - "Die Ursache der Mäanderbildung der Flußläufe und des sogenannten Baerschen Gesetzes"! Раньше статьи были загляденье - три скетча, две страницы описания и никаких формул 🤓. На этих двух страницах Эйнштейн рассказывает, как он заваривал чай (не в пакетиках!) и заметил, что если помешивать чай, то листья будут двигаться НЕ наружу из-за толчка центробежной силы. Вместо этого листья следуют по спирали к центру чашки. Физические процессы, которые приводят к этому «парадоксу чайного листа», в основном такие же, как те, которые ответственны за образование кос (point bars) в извилистых реках (примерно как на картинке из блога Золтана). Если что вот перевод 📖 #geo #funfact

CO2 DataShare Ну и раз тема зашла за базы данных. Оказывается есть такой консорциум - CO2 Storage Data Consortium, который собирает и выкладывает в доступ высококачественные наборы данных из пилотных, демонстрационных и отраслевых СО2 проектов. В основном для исследователей и инженеров. На данный момент в этой открытой базе данных 5 датасетов по мониторингу СО2, 4 из них норвежские. Датасеты отлично структурированы. 💻 База данных проектов по захоронению СО2

Вся геология Нидерланд в одном проекте в Petrel Petrel - это наверное самый популярный софт для геолого-геофизического моделирования, интерпретации и визуализации. Как Автокад для проектировщиков. Университет в Утрехте опубликовал всю геологическую базу данных Нидерланд в едином проекте в Petrel 🤯: 10,599 2D сейсмики, 280 3D сейсмики, 6,590 скважин and 4,752 измерений в скважинах. Может для обучения пригодится! #seismic #database #geo #subsurface