Оптимизация многозадачной глубокой нейронной инверсии сейсмического импеданса на основе гомоскедастической неопределённости

Multi-Task Deep Learning Seismic Impedance Inversion Optimization Based on Homoscedastic Uncertainty
Xu Zhu, Bangyu Wu, Xiu Zheng, Xiaosan Zhu
2022-01-24

полностью сверточная остаточная сетьгомоскедастическая неопределенностьмногозадачное обучениереконструкция сейсмических данныхсейсмическая инверсия импеданса
Сейсмическая инверсия представляет собой процесс получения пространственной структуры и физических свойств подземных горных пород по сейсмическим данным, полученным на поверхности, с учётом известных геологических закономерностей, а также данных бурения и каротажа. Принцип сейсмической инверсии на основе глубокого обучения заключается в изучении отображения между сейсмическими данными и свойствами горных пород посредством обучения нейронной сети на данных каротажа, используемых в качестве меток. Однако из-за высокой стоимости каротажа число каротажных кривых часто ограничено, что приводит к низкой обобщающей способности обученной модели. Многозадачное обучение (MTL) представляет собой эффективный способ решения этой проблемы. Одновременное обучение нескольким взаимосвязанным задачам может повысить обобщающую способность модели и тем самым улучшить качество выполнения основной задачи при том же объёме размеченных данных. Однако эффективность многозадачного обучения в значительной степени зависит от относительных весов функций потерь отдельных задач, а ручная настройка этих весов часто требует значительных затрат времени и труда. В данной работе предложена полносвёрточная остаточная сеть (Fully Convolutional Residual Network, FCRN), предназначенная для одновременного выполнения инверсии сейсмического импеданса и реконструкции сейсмических данных; для балансировки весов функции потерь двух задач используется метод, основанный на гомоскедастической неопределённости байесовской модели. Результаты испытаний на синтетических наборах данных Marmousi2 и Overthrust, а также на полевых данных месторождения Volve показывают, что предложенный метод способен автоматически определять оптимальные веса двух задач и прогнозировать импеданс с большей точностью, чем однозадачная модель FCRN.
1
Метод взвешивания на основе гомоскедастической неопределенности байесовской модели автоматически балансирует функции потерь двух задач, устраняя необходимость ручной настройки весов.
2
Совместное обучение повышает обобщающую способность при ограниченном количестве каротажных данных, используя связанную задачу реконструкции сейсмических данных.
3
Испытания на наборах данных Marmousi2, Overthrust и месторождения Volve показали, что метод автоматически определяет эффективные веса задач.
4
Предложенная полностью сверточная остаточная сеть одновременно выполняет инверсию сейсмического импеданса и реконструкцию сейсмических данных в рамках многозадачного обучения.
5
Предложенная многозадачная модель прогнозирует сейсмический импеданс точнее, чем одноцелевая модель FCRN, на исследованных наборах данных.

Сейсмическая инверсия импеданса по сейсмическим данным, полученным на поверхности, и ограниченным данным каротажа скважин

Влияние взвешивания функции потерь на основе гомоскедастической неопределённости в многозадачном глубоком обучении на точность и обобщающую способность прогнозирования сейсмического импеданса при одновременной реконструкции сейсмических данных

Publication Details
Publication Date
2022-01-24
Journal
Publisher
ISSN
Cited by
24
Access Type
Author Information
Authors
Xu Zhu
Bangyu Wu
Xiu Zheng
Xiaosan Zhu
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%