Высокоразрешающая реконструкция трехмерных сейсмических данных с использованием генеративных состязательных сетей с механизмом глобального группированного координатного внимания

Из-за ограничений, связанных со стоимостью разведки и состоянием земной поверхности, фактические сейсмические данные часто характеризуются разреженной выборкой и нерегулярным покрытием, что ослабляет эффективность миграционной визуализации и инверсии волнового поля, снижая точность и надежность геологической интерпретации. Глубокое обучение, в частности генеративные состязательные сети (GAN), продемонстрировало значительный потенциал для реконструкции сейсмических данных. Однако существующие методы на основе GAN часто имеют такие ограничения, как недостаточная эффективность извлечения признаков, размытость и артефакты. Кроме того, двумерные сети с трудом выявляют пространственно-временные взаимосвязи трехмерных сейсмических данных, что приводит к несогласованности между слоями и потере важных тектонических признаков и в конечном итоге ограничивает общее качество реконструкции. Для обработки сложных закономерностей пропусков в сейсмических наборах данных в настоящем исследовании предлагается трехмерная генеративная состязательная сеть с интегрированным механизмом глобального группированного координатного внимания (GGCA-GAN). Предлагаемая сеть использует групповое моделирование признаков и благодаря совместному обучению на естественных изображениях и реальных сейсмических данных обеспечивает высокоразрешающую реконструкцию трехмерных сейсмических данных с умеренной устойчивостью к шуму. Этот метод также снижает вычислительные затраты за счет повышения эффективности извлечения глобальных пространственных признаков как в генераторе, так и в дискриминаторе посредством групповой обработки. Кроме того, для решения проблемы нехватки обучающих данных в условиях ограниченного наблюдения наборы данных естественных изображений включаются в процесс обучения сети. Их структурные признаки используются для построения междоменных априорных представлений, которые в сочетании с измеренными сейсмическими данными повышают способность сети обобщать сложные сейсмические сигналы. Эффективность предлагаемого метода подтверждена на общедоступных наборах данных.