Сейсмическая инверсия с использованием гибридного машинного обучения
Seismic Inversion by Hybrid Machine Learning
2021-09-01
SCID: 54.1/kp6wuymd
Discuss with AI
автоматическое дифференцированиесверточный автоэнкодерпроблема пропуска цикловгибридное машинное обучениесейсмическая инверсия
Figures from the paper
Abstract (AI)
Представлен метод инверсии на основе гибридного машинного обучения (HML), в котором для оценки глубинной модели скоростей используются признаки латентного пространства (LS) сверточного автоэнкодера (CAE). Признаки LS обеспечивают эффективное низкоразмерное представление многомерных сейсмических данных. Однако уравнения, описывающие связь между возмущением признака LS и возмущением скорости, отсутствуют. Для решения этой задачи используется автоматическое дифференцирование (AD), связывающее эти две величины. Затем с помощью инверсии волнового уравнения выполняется инверсия признаков LS для восстановления глубинной модели скоростей. Функция невязки HML измеряет различия между признаками LS наблюдаемых и предсказанных сейсмических данных в низкоразмерном пространстве, которое в меньшей степени подвержено проблеме пропуска циклов, чем несоответствие волновых форм в многомерном пространстве. Низкоразмерный признак LS в основном содержит кинематическую информацию сейсмических данных, тогда как высокоразмерный признак LS может также сохранять их динамическую информацию. Поэтому инверсия HML позволяет восстанавливать глубинную модель скоростей в многомасштабном режиме путем инверсии признаков LS различной размерности. На основе различных способов использования AD для вычисления градиента скорости предложены полностью автоматический и полуавтоматический подходы к решению этой задачи. Эти два подхода математически эквивалентны: первый проще в реализации, тогда как второй вычислительно более эффективен. Численные эксперименты показывают, что метод инверсии HML позволяет эффективно восстанавливать как низкочастотно-волновое, так и высокочастотно-волновое распределение скоростей путем инверсии признаков LS различной размерности.
Key Findings
1
Автоматическое дифференцирование устанавливает ранее отсутствовавшую связь между возмущениями латентных признаков и возмущениями скорости, обеспечивая волновое уравнение для инверсии.
2
Полностью автоматический и полуавтоматический подходы к вычислению градиента математически эквивалентны; полуавтоматический подход вычислительно эффективнее, а численные тесты восстанавливают низко- и высоковолновые компоненты модели скорости.
3
Латентные признаки разной размерности обеспечивают многоуровневую инверсию: признаки малой размерности отражают преимущественно кинематическую информацию, а признаки большей размерности сохраняют динамическую информацию.
4
Функция невязки в латентном пространстве меньше подвержена проблеме пропуска циклов, чем невязка между волновыми формами в многомерном пространстве, что повышает устойчивость инверсии.
5
Гибридный метод машинного обучения оценивает модели скоростей недр, инвертируя признаки латентного пространства сверточного автоэнкодера сейсмических данных.
Research Object
модель скоростей в недрах
Research Subject
многоштабное восстановление низко- и высоковолнового числа информации о скоростях по сейсмическим данным с помощью инверсии в латентном пространстве, менее чувствительной к проблеме пропуска циклов
Publication Details
Publication Date
2021-09-01
Journal
Publisher
ISSN
Cited by
41
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest