Сейсмическая инверсия с использованием ньютоновского машинного обучения

Seismic inversion by Newtonian machine learning
Gerard Thomas Schuster, Yuqing Chen
2020-06-04

ньютоновское машинное обучениенейронная сеть-автоэнкодерполнолинейная волновая инверсиясейсмическая инверсияскелетонизированные сейсмические данные
Представлен метод волнового уравнения для инверсии скелетонизированных сейсмических данных с целью построения скоростной модели недр. Скелетонизированное представление сейсмических трасс состоит из низкоранговых переменных латентного пространства, предсказываемых хорошо обученной нейронной сетью-автоэнкодером. На вход автоэнкодеру подаются сейсмические трассы, а для определения производной Фреше, то есть возмущения скелетонизированных данных относительно возмущения скорости, используется теорема о неявной функции. Градиент вычисляется путем миграции смещенных наблюдаемых трасс, взвешенных невязкой скелетонизированных данных, а окончательная скоростная модель представляет собой модель, которая наилучшим образом предсказывает наблюдаемые параметры латентного пространства. Этот метод обозначен как инверсия с использованием ньютоновского машинного обучения (Newtonian machine learning, NML), поскольку параметры модели определяются путем объединения прямого и обратного моделирования ньютоновского распространения волн со способностью машинного обучения к снижению размерности. Эмпирические результаты показывают, что инверсия с использованием NML в некоторых случаях позволяет смягчить проблему пропуска циклов, характерную для традиционной полноволновой инверсии (full-waveform inversion, FWI). Численные испытания на синтетических и полевых данных демонстрируют успешность инверсии NML при восстановлении низковолнового приближения скоростной модели недр. Преимущество этого метода по сравнению с другими методами, использующими скелетонизированные данные, заключается в отсутствии необходимости вручную выделять важные признаки, поскольку скелетные данные автоматически выбираются автоэнкодером. Недостатком является более низкое разрешение инвертированной скоростной модели по сравнению с результатом FWI, однако она может служить хорошей начальной моделью для FWI. Наиболее значимый вклад работы заключается в создании общей схемы применения инверсии на основе волнового уравнения к скелетным данным, генерируемым нейронной сетью любого типа. Иными словами, мы объединили детерминированное моделирование ньютоновской физики со способностью машинного обучения к сопоставлению образов для выполнения инверсии сейсмических данных методом NML.
1
NML объединяет ньютоновское волновое моделирование и снижение размерности с помощью машинного обучения для оптимизации скоростных моделей по наблюдаемым латентным параметрам.
2
NML не требует ручного выбора признаков и дает модели с меньшим разрешением, чем FWI, но может формировать эффективные начальные модели для FWI и применяться к скелетным данным других нейронных сетей.
3
Тесты на синтетических и полевых данных показывают, что NML восстанавливает низковолновые скоростные модели и иногда ослабляет проблему пропуска циклов в стандартной FWI.
4
Теорема о неявной функции используется для вычисления производной Фреше латентных сейсмических данных по возмущениям подповерхностной скорости.
5
Метод инвертирует сейсмические данные через низкоранговые латентные переменные, автоматически извлекаемые из трасс обученным автоэнкодером.

модель скоростей недр, восстанавливаемая по сейсмическим данным

характеристики и эффективность волнового уравнения при инверсии, включая смягчение проблемы пропуска циклов и восстановление низковолновой модели

Publication Details
Publication Date
2020-06-04
Journal
Publisher
ISSN
Cited by
37
Access Type
Author Information
Authors
Gerard Thomas Schuster
Yuqing Chen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%