Сейсмическое обращение на основе алгоритмов Марковских цепей Монте-Карло и механизмов внимания

Инверсии сейсмического импеданса с использованием глубокого обучения демонстрируют перспективные приложения в характеристике коллекторов. Однако отсутствие размеченных обучающих данных существенно ограничивает точность и устойчивость оценки импеданса. Для решения этих задач мы разработали метод сейсмической инверсии, основанный на алгоритмах Марковских цепей Монте-Карло (MCMC) и механизмах внимания в рамках контролируемого обучения. Оценка ядровой плотности (KDE) была использована для вывода основной функции плотности распределения из данных каротажного импеданса. Большое количество последовательностей импеданса с целевым распределением плотности было сгенерировано с помощью выборки Метрополиса–Хастингса алгоритмов MCMC и затем использовано для расширения обучающих наборов, содержащих синтетические сейсмические данные и соответствующие метки импеданса. Архитектура модели инверсии сейсмического импеданса объединяет глубокие сверточные нейронные сети (CNN) с механизмами канального внимания, что позволяет модели выборочно фокусироваться на критических признаках и улучшать качество инверсии. Мы определили физически направляемую функцию цели, состоящую из слагаемых потерь по сейсмическому сигналу и по импедансу. Применение к полевым данным показывает, что предложенный метод может повысить точность и разрешение инверсии сейсмического импеданса для характеристики плотнозернистых песчаников в пределах систем разветвлённых каналов.