Глубокое обучение для многомерной инверсии сейсмического импеданса
Deep learning for multidimensional seismic impedance inversion
2021-07-19
SCID: 54.1/qrgccpdk
Discuss with AI
двумерная сверточная нейронная сетьадаптивная функция потерьначальная модель импедансамногомерная сейсмическая инверсия импедансаслабый надзор
Figures from the paper
Abstract (AI)
Методы глубокого обучения (DL) продемонстрировали перспективные результаты при прогнозировании акустического импеданса по сейсмическим данным — задачи, которая обычно считается некорректно поставленной для традиционных схем инверсии. Большинство методов DL основано на одномерной (1D) нейронной сети, которую относительно просто реализовать, однако при прогнозировании многомерной модели импеданса потрассово они часто приводят к неоправданным латеральным разрывам. Мы усовершенствовали 1D-сеть, заменив ее двумерной (2D) сверточной нейронной сетью (CNN) и включив ограничения, задаваемые исходной моделью импеданса. Исходная модель подается на вход сети для контроля низкочастотного тренда, что помогает как 1D-, так и 2D-CNN получать устойчивые оценки импеданса. Архитектура нашей 2D-CNN достаточно проста, однако ее обучение не является тривиальным из-за отсутствия двумерных разметок импеданса. Для подготовки двумерного набора обучающих данных сначала задается случайный путь, проходящий через несколько каротажных диаграмм. Затем вдоль этого пути извлекаются двумерный сейсмический профиль и профиль исходного импеданса, которые вместе формируют входные данные для 2D-CNN. Набор каротажных диаграмм, пересекаемых путем, используется как частично размеченная целевая выборка. Мы обучаем 2D-CNN в режиме слабого обучения с использованием адаптивной функции потерь, в которой выходная двумерная модель импеданса адаптивно оценивается только в точках каротажных диаграмм, представленных в частично размеченной целевой выборке. Поскольку обучающие наборы данных случайным образом извлекаются во всех направлениях в пределах трехмерной (3D) съемки, обученная 2D-CNN может прогнозировать согласованную трехмерную модель импеданса последовательно по сечениям в направлении инлайна или кросслайна. Синтетические и полевые примеры показывают, что наша 2D-CNN более устойчива к шуму, лучше восстанавливает тонкие пласты и формирует более латерально согласованную модель импеданса, чем 1D-CNN с той же архитектурой сети и теми же обучающими каротажными диаграммами.
Key Findings
1
Стратегия построения данных по случайным траекториям и адаптивная функция потерь позволяют обучать 2D-CNN со слабой супервизией на сейсмических профилях и частично размеченных каротажных данных.
2
Подача исходной модели импеданса в сеть обеспечивает контроль низкочастотного тренда и повышает стабильность прогнозов для 1D- и 2D-CNN.
3
Случайная выборка траекторий по всему 3D-сейсмическому объёму позволяет обученной 2D-CNN строить согласованную 3D-модель импеданса как вдоль продольных, так и вдоль поперечных линий.
4
Синтетические и полевые примеры показывают, что 2D-CNN лучше устойчива к шуму, точнее восстанавливает тонкие слои и обеспечивает более высокую боковую согласованность, чем эквивалентная 1D-CNN.
5
В работе послойно-ориентированные одномерные нейронные сети заменены двумерной сверточной нейронной сетью для уменьшения боковых разрывов в многомерных прогнозах импеданса.
Research Object
многомерные модели акустического импеданса недр, прогнозируемые по сейсмическим данным
Research Subject
устойчивость инверсии сейсмического импеданса, восстановление тонких слоёв, управление низкочастотным трендом и боковая согласованность получаемой модели
Publication Details
Publication Date
2021-07-19
Journal
Publisher
ISSN
Cited by
133
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью3
Оптимизация многозадачной глубокой нейронной инверсии сейсмического импеданса на основе гомоскедастической неопределённости2022
Фреймворк глубокого обучения с ограничениями по частотной полосе сейсмических данных для характеристики тонких коллекторов2025
Сейсмическое обращение на основе алгоритмов Марковских цепей Монте-Карло и механизмов внимания2026