Машинное обучение и геофизическая инверсия — численное исследование

Machine learning and geophysical inversion — A numerical study
Brian Russell
2019-07-01

нейронная сеть прямого распространениягеофизическая инверсиянелинейная регрессиякоэффициенты отражениясейсмическая деконволюция
Геофизики обучены детально концептуализировать геофизические задачи. Однако алгоритмы машинного обучения труднее поддаются пониманию, и их часто рассматривают просто как «чёрные ящики». Численный пример используется для иллюстрации различий между геофизической инверсией и инверсией с помощью машинного обучения. Тем самым предпринимается попытка развеять таинственность алгоритмов машинного обучения и показать, что, подобно обратным задачам, они обладают определённой математической структурой, которую можно записать и понять. В качестве примера рассматривается извлечение исходных коэффициентов отражения из синтетического сейсмического отклика, полученного свёрткой диполя коэффициентов отражения с симметричным вейвлетом. Поскольку диполь расположен ниже частоты сейсмического разрешения, перекрывающиеся вейвлеты вызывают как увеличение амплитуды, так и появление дополнительных нефизичных коэффициентов отражения в синтетических сейсмических данных. Это распространённая проблема реальных сейсмических данных. При обсуждении решения этой задачи рассматриваются деконволюция, рекурсивная инверсия, линейная регрессия и нелинейная регрессия с использованием нейронной сети прямого распространения. Показано, что если входные данные задачи деконволюции полностью известны, деконволюция является оптимальным способом извлечения истинных коэффициентов отражения. Однако если геофизика изучаемого объекта понята не полностью, а доступен большой объём данных, машинное обучение может служить эффективной альтернативой геофизической инверсии.
1
Диполь коэффициентов отражения ниже сейсмической частоты настройки вызывает перекрытие вейвлетов, приводя к увеличению амплитуды и появлению ложных нефизических коэффициентов отражения.
2
Сравниваются деконволюция, рекурсивная инверсия, линейная регрессия и нелинейная регрессия с использованием прямосвязной нейронной сети для восстановления истинных коэффициентов отражения.
3
Исследование использует синтетический сейсмический пример, чтобы показать общую математическую структуру геофизической инверсии и методов машинного обучения.
4
При неполном понимании геофизики, но наличии больших объемов данных, машинное обучение может служить жизнеспособной альтернативой традиционной геофизической инверсии.
5
Если входные данные задачи деконволюции полностью известны, деконволюция является оптимальным методом извлечения истинных коэффициентов отражения.

Синтетический сейсмический отклик, полученный свёрткой диполя коэффициентов отражения, расположенного ниже частоты настройки, с симметричным вейвлетом

Извлечение исходных истинных коэффициентов отражения и сравнение геофизической инверсии с инверсией методом машинного обучения, включая влияние перекрывающихся вейвлетов и нефизических коэффициентов

Publication Details
Publication Date
2019-07-01
Journal
Publisher
ISSN
Cited by
54
Access Type
Author Information
Authors
Brian Russell
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%