Инверсия сейсмических данных с использованием глубокого обучения
Deep-Learning Inversion of Seismic Data
2019-12-12
SCID: 54.1/xmkebzat
Discuss with AI
SeisInvNetглубокие нейронные сетисейсморазведкасейсмическая инверсияреконструкция скоростной модели
Figures from the paper
Abstract (AI)
Предлагается новый метод решения задачи отображения временных рядов в пространственные изображения в сейсмической разведке, а именно восстановления скоростной модели непосредственно по сейсмическим данным с помощью глубоких нейронных сетей (DNN). Традиционный подход к этой некорректно поставленной задаче инверсии основан на итерационных алгоритмах, которые характеризуются низким качеством нелинейного отображения и сильной неоднозначностью. Другие подходы могут либо вносить ошибки из-за участия человека, либо не в полной мере использовать сейсмические данные. Основные трудности для DNN связаны со слабым пространственным соответствием, неопределённым соотношением между отражением и приёмом сигналов в сейсмических данных и скоростной модели, а также с изменением сейсмических данных во времени. Для решения этих задач предлагаются сквозные сети сейсмической инверсии (SeisInvNets), содержащие новые компоненты, предназначенные для максимально полного использования всех сейсмических данных. В частности, в качестве исходной единицы используется каждый сейсмический трассовый сигнал, который дополняется информацией о соседних трассах, схеме наблюдений и глобальном контексте соответствующего сейсмического профиля. На основе дополненных сейсмических трасс формируются пространственно согласованные карты признаков, которые затем объединяются для восстановления скоростной модели. В целом каждый сейсмический трассовый сигнал участвует в восстановлении всей скоростной модели посредством установления пространственного соответствия. Предложенная SeisInvNet стабильно превосходит базовые методы и демонстрирует многообещающие результаты на синтезированном и предложенном нами наборе данных SeisInv по различным метрикам оценки. Результаты инверсии лучше согласуются с целевыми данными по значениям скоростей, строению недр и геологическим границам. Кроме того, механизм работы и способность предложенного метода к обобщению обсуждаются и проверяются. Тем не менее обобщение методов инверсии на основе глубокого обучения на реальные данные по-прежнему остаётся сложной задачей, и учёт физических закономерностей может быть одним из потенциальных решений.
Key Findings
1
SeisInvNet стабильно превосходит базовые методы на синтетических данных и предложенном наборе SeisInv по различным метрикам оценки.
2
SeisInvNets дополняют каждый сейсмический трасс информацией о соседних трассах, схеме наблюдений и глобальном контексте профиля для решения проблемы слабого пространственного соответствия.
3
Метод обучается выделять пространственно согласованные карты признаков и позволяет каждой сейсмической трассе участвовать в реконструкции всей модели скоростей.
4
В статье представлены сквозные сети SeisInvNets для непосредственной реконструкции пространственных моделей скоростей из временных рядов сейсмических данных с помощью глубоких нейронных сетей.
5
Реконструированные модели лучше соответствуют целевым значениям скоростей, строению недр и геологическим границам, однако обобщение на реальные данные остается сложной задачей.
Research Object
Сейсмические данные и соответствующая им модель скоростей недр
Research Subject
Реконструкция модели скоростей недр на основе глубокого обучения по сейсмическим данным, включая установление пространственного соответствия и точность инверсии
Publication Details
Publication Date
2019-12-12
Journal
Publisher
ISSN
Cited by
426
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Adam: метод стохастической оптимизации2014
Непарный перенос изображений с помощью циклически согласованных состязательных сетей2017
Инверсия сейсмических отраженных данных в акустическом приближении1984
Методы Гаусса—Ньютона и полного Ньютона в сейсмической инверсии волновых форм в частотной области1998
Работы, цитирующие эту статью3
Глубокое обучение для решения обратных сейсмических задач: на пути к ускорению рабочих процессов геофизического анализа2021
Глубокое обучение для совместной геофизической инверсии сейсмических и МТ-данных2021
Сверточные нейронные сети для классификации микросейсмических сигналов и определения времен вступления2020