Геофизическая инверсия в сравнении с машинным обучением в обратных задачах
Geophysical inversion versus machine learning in inverse problems
2018-12-01
SCID: 54.1/a2ggfvns
Discuss with AI
L1-регуляризацияискусственные нейронные сетигеофизическая инверсиямашинное обучениеинверсия отражательной способности
Figures from the paper
Abstract (AI)
Геофизическая инверсия и машинное обучение обеспечивают решения обратных задач, в которых параметры модели оцениваются по наблюдениям. Геофизические инверсионные методы, такие как инверсия импеданса, инверсия амплитудной вариации с удалением и томография по временам пробега, широко применяются в промышленности для определения физических свойств по измеренным сейсмическим данным. Машинное обучение, являющееся подходом, основанным на данных, стало популярным в последние десятилетия и эффективно используется для решения таких обратных задач. Преимущество методов машинного обучения заключается в том, что их можно реализовывать без знания физических уравнений или теорий. Основные трудности машинного обучения связаны с получением достаточного объёма обучающих данных и выбором релевантных параметров, необходимых для построения качественной модели. В данной работе сравниваются геофизические инверсионные методы и методы машинного обучения при решении обратных задач, а сходства и различия этих подходов демонстрируются в математической форме и посредством численных экспериментов. Оба метода способствуют решению некорректно поставленных и нелинейных задач и используют сходные методы оптимизации. В качестве примера обратной задачи рассматривается инверсия отражательной способности. Для решения этой задачи применяются геофизическая инверсия на основе метода наименьших квадратов и искусственные нейронные сети как подход машинного обучения с использованием двумерных синтетических наборов данных и трёхмерных наборов полевых данных. Нейронная сеть с несколькими скрытыми слоями успешно формирует нелинейную отображающую функцию для прогнозирования отражательной способности. Для этой обратной задачи в обоих подходах тестируются различные регуляризаторы L1. Регуляризация L1 ослабляет влияние шума в сейсмических трассах и повышает разреженность, особенно при использовании метода наименьших квадратов. Примеры с двумерной синтетической клиновидной моделью и полевыми данными показывают, что нейронные сети обеспечивают высокое пространственное разрешение.
Key Findings
1
Геофизическая инверсия и машинное обучение решают некорректные нелинейные обратные задачи, используя математически сходные методы оптимизации.
2
В задаче инверсии отражательной способности многослойные нейронные сети успешно обучают нелинейное отображение от сейсмических наблюдений к прогнозируемой отражательной способности.
3
L1-регуляризация уменьшает влияние шума и повышает разреженность в обоих подходах, особенно существенно улучшая метод наименьших квадратов.
4
Машинное обучение не требует явного задания физических уравнений, но критически зависит от достаточного объёма обучающих данных и правильного выбора параметров.
5
Эксперименты на синтетической клиновидной модели и полевых данных показывают, что нейронные сети обеспечивают высокое пространственное разрешение оценок отражательной способности.
Research Object
Инверсия отражательной способности по сейсмическим данным с использованием геофизической инверсии и методов машинного обучения
Research Subject
Сравнение точности инверсии, устойчивости к шуму, повышения разреженности и пространственного разрешения при геофизической инверсии методом наименьших квадратов и с использованием искусственных нейронных сетей, включая влияние L1-регуляризации
Publication Details
Publication Date
2018-12-01
Journal
Publisher
ISSN
Cited by
162
Access Type
Author Information
Download PDF
Subscribe to digest
Работы, цитирующие эту статью4
Глубокое обучение для решения обратных сейсмических задач: на пути к ускорению рабочих процессов геофизического анализа2021
Машинное обучение и геофизическая инверсия — численное исследование2019
Фреймворк глубокого обучения с ограничениями по частотной полосе сейсмических данных для характеристики тонких коллекторов2025
Байесовская оценка неопределенности при обращении электромагнитных данных с использованием глубокого обучения2021