Глубокое обучение для совместной геофизической инверсии сейсмических и МТ-данных

Deep learning for joint geophysical inversion of seismic and MT data sets
Abhinav Pratap Singh, Divakar Vashisth, Shalivahan Srivastava
2021-09-01

кажущееся сопротивлениеискусственные нейронные сетисовместная геофизическая инверсиямагнитотеллурические данныесейсмические данные
Использование более чем одного геофизического метода обеспечивает более надежное выделение строения недр по сравнению с применением только одного геофизического метода. В данной работе представлен новый подход к совместной инверсии сейсмических и магнитотеллурических (МТ) наборов данных с использованием искусственных нейронных сетей. На основе различных моделей горных пород вычисляется совместная зависимость между пористостью, содержанием глинистого материала, скоростью и удельным электрическим сопротивлением пластов. Полученные таким образом модели скоростей и удельного электрического сопротивления используются для расчета сейсмических трасс и кривых кажущегося сопротивления, которые образуют набор данных для обучения и тестирования нейронной сети. Такой подход к выполнению совместной инверсии эффективен при проверке надежности модели машинного обучения в областях низких скоростей или в случаях, когда одно физическое свойство не изменяется по слоям, тогда как другое изменяется, поскольку, в отличие от других оптимизационных схем, применяемых для геофизической инверсии, он не требует повторного запуска модели для каждой начальной модели. Оценивается эффективность искусственных нейронных сетей (ИНС) при выполнении совместной инверсии; в процессе работы разработан конкретный тип архитектуры ИНС.
1
Предложен новый подход на основе искусственной нейронной сети для совместной инверсии сейсмических и магнитотеллурических данных с использованием взаимосвязей между свойствами недр.
2
Совместная инверсия на основе ИНС позволяет проверять надежность модели в областях низких скоростей и при постоянстве одного физического свойства и изменении другого.
3
Синтетические модели горных пород связывают пористость и содержание сланца со скоростью сейсмических волн и электрическим сопротивлением для формирования обучающих и тестовых данных.
4
Сформированные модели скорости и сопротивления используются для вычисления сейсмических трасс и кривых кажущегося сопротивления, на которых обучается и оценивается нейронная сеть.
5
В отличие от традиционной оптимизационной инверсии, этот подход не требует повторного запуска модели для каждого начального приближения; разработана и протестирована специализированная архитектура ИНС.

Подповерхностные горные породы и стратифицированные геологические слои, характеризуемые пористостью, содержанием сланца, сейсмической скоростью и электрическим сопротивлением и исследуемые по сейсмическим и магнитотеллурическим (MT) данным

Совместная инверсия сейсмических и магнитотеллурических откликов для выявления взаимосвязей между пористостью, содержанием сланца, сейсмической скоростью и электрическим сопротивлением с использованием искусственных нейронных сетей

Publication Details
Publication Date
2021-09-01
Journal
Publisher
ISSN
Cited by
6
Access Type
Author Information
Authors
Abhinav Pratap Singh
Divakar Vashisth
Shalivahan Srivastava
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%