Машинное обучение и геофизическая инверсия — численное исследование
Machine learning and geophysical inversion — A numerical study
2019-07-01
SCID: 54.1/4k6khyph
Discuss with AI
нейронная сеть прямого распространениягеофизическая инверсиянелинейная регрессиякоэффициенты отражениясейсмическая деконволюция
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Синтетический сейсмический отклик, полученный свёрткой диполя коэффициентов отражения, расположенного ниже частоты настройки, с симметричным вейвлетом
Research Subject
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
Download PDF
Subscribe to digest