Глубокое обучение для многомерной инверсии сейсмического импеданса

Deep learning for multidimensional seismic impedance inversion
Sibo Zhang, Xinming Wu, Shangsheng Yan, Zhengfa Bi, Hongjie Si
2021-07-19

двумерная сверточная нейронная сетьадаптивная функция потерьначальная модель импедансамногомерная сейсмическая инверсия импедансаслабый надзор
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.
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.

многомерные модели акустического импеданса недр, прогнозируемые по сейсмическим данным

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
Authors
Sibo Zhang
Xinming Wu
Shangsheng Yan
Zhengfa Bi
Hongjie Si
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%