Инверсия сейсмических данных с использованием глубокого обучения

Deep-Learning Inversion of Seismic Data
Shucai Li, Yunhai Wang, Bin Liu, Yangkang Chen, Yuxiao Ren, Senlin Yang, Peng Jiang
2019-12-12

SeisInvNetглубокие нейронные сетисейсморазведкасейсмическая инверсияреконструкция скоростной модели
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.
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.

Сейсмические данные и соответствующая им модель скоростей недр

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
Access Type
Author Information
Authors
Shucai Li
Yunhai Wang
Bin Liu
Yangkang Chen
Yuxiao Ren
Senlin Yang
Peng Jiang
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%