Применение улучшенной модели Swin-Transformer для идентификации разрывов

В работе предложен метод идентификации сейсмических разрывов на основе улучшенной архитектуры Swin-Transformer. Чтобы преодолеть ограничения традиционных подходов и контролируемых моделей глубокого обучения, мы интегрируем метод самоконтролируемой (self-supervised) предварительной подготовки с 2D-архитектурой Swin-Transformer. Сейсмические срезы разбиваются на патчи, случайные области маскируются, и модель обучается предсказывать замаскированные части посредством неконтролируемого обучения. Сеть распознавания разрывов включает два сегментационных выходных блока типа fully convolutional network (FCN) и обучается с использованием функции потерь бинарной перекрестной энтропии (BCE) для генерации предсказаний вероятности наличия разрывов. Экспериментальные результаты на полевых сейсмических данных демонстрируют превосходную точность в локализации разрывов и идентификации их морфологии по сравнению с традиционными методами на базе U-Net. Подход снижает вычислительные затраты и представляет практическое решение для поисков полезных ископаемых и оценки геологических рисков.