የተገላቢጦሽ ድጋፍ እና ሞዴል እርግጠኛ አለመሆን

ትርፍ፡

• የተገላቢጦሽ ተፈጥሮን እና በመረጃ ተስማሚነት እና በመደበኛነት መካከል ያለውን ሚዛን ይረዱ።
• የ AI ማጣደፍን (ተተኪ ሞዴል፣ ቀድሞ የተማረ) በእውነተኛ ወደፊት ሞዴሊንግ የማረጋገጥ እና የተጫነ ጂኦሎጂን የማወቅ ችሎታ።
• ውጤቱን ከአንድ ሞዴል ይልቅ እንደ እርግጠኛ ያልሆነ ስርጭት ሪፖርት የማድረግ እና የመፍታት / ትብነት እና የውሂብ-ቅድመ መለያየትን የማሳየት ችሎታ።

በጂኦፊዚክስ ውስጥ ያለው ጥልቅ ጥያቄ፡- ምን ዓይነት የከርሰ ምድር ሞዴል እኔ ላይ ላዩን የምለካውን መረጃ የሚያመርተው ነው? ለዚህ ጥያቄ መልስ መስጠት ተገላቢጦሽ ይባላል. ወደፊት ሞዴሊንግ ከታወቀ የከርሰ ምድር ሞዴል የሚጠበቀውን መረጃ ሲያሰላ፣ ተገላቢጦሽ ሞዴሊንግ ግን ተቃራኒውን ያደርጋል፡ የከርሰ ምድር ሞዴሉን ከተስተዋሉ መረጃዎች ይገምታል። በዚህ ክፍል ውስጥ ሰው ሰራሽ ኢንተለጀንስ (AI) ተገላቢጦሹን እንዴት እንደሚያፋጥን ይማራሉ ፣ በሰዓታት ምትክ በሰዓታት ምትክ ሞዴሎችን ይወስዳል ። ነገር ግን የ AI ውፅዓት እንደ "አንድ እውነተኛ ሞዴል" ሊነበብ የማይችልበትን ምክንያት እናያለን, ምክንያቱም በተፈጥሮው ፖሊሴሚ እና በተገላቢጦሽ አሻሚነት ምክንያት.

የተገላቢጦሽ መፍትሄ መሰረታዊ ውጥረት

መገለባበጥ ጥሩ ችግር አይደለም; የታመመ ችግር ነው: ምንም መፍትሄ ላይኖረው ይችላል, ከአንድ በላይ ሊሆን ይችላል, ወይም በመረጃው ውስጥ ያለው ትንሽ ድምጽ በአምሳያው ላይ ትልቅ ለውጥ ሊያመጣ ይችላል. ስለዚህ፣ ተገላቢጦሹ ሁለት ሃይሎችን ያመዛዝናል፡ የዳታ አለመመጣጠን (በአምሳያው የተሰራው መረጃ ለተስተዋለው መረጃ ምን ያህል ቅርብ እንደሆነ) እና መደበኛነት (በአምሳያው ላይ “የታሳቢነት” ገደብ መጨመር፣ ለምሳሌ ለስላሳነት ወይም ለማጣቀሻ ሞዴል ቅርበት)። በጣም ብዙ የውሂብ መገጣጠም በአምሳያው ውስጥ ጫጫታ ያስተዋውቃል; በጣም ብዙ መደበኛነት ትክክለኛውን መዋቅር ያጠፋል. የዚህ ሚዛን መቼት (ለምሳሌ መደበኛ የክብደት ላምዳ) ሙሉውን ትርጓሜ ይነካል።

AI እንዴት ተገላቢጦሽ ያፋጥነዋል?

ክላሲካል ተገላቢጦሽ ከመቶ እስከ ሺዎች በሚቆጠሩ ጊዜያት ሞዴሊንግ ወደፊት በመሮጥ ሞዴሉን ደጋግሞ ያሻሽላል። በ 3D ኤሌክትሮማግኔቲክ ወይም ሙሉ የሞገድ ቅርጽ ግልበጣ ይህ ከሰዓታት እስከ ቀናት ሊወስድ ይችላል። AI በሦስት መንገዶች ያፋጥናል፡-

1. ተተኪ ሞዴል (ተተኪ/ኢሙሌተር)፡- የከባድ ወደፊት ስሌትን በፈጣን የሰለጠነ የነርቭ አውታር በመገመት ዑደቱን ማሳጠር።
2. ቀደም ብሎ የተማረ፡ ከመደበኛነት ይልቅ ከተጨባጭ የጂኦሎጂካል ሞዴሎች የተማረውን የ"ተጨባጭነት" ገደብ መጠቀም።
3. ቀጥተኛ ግምት (ከጫፍ እስከ ጫፍ)፡- ከመረጃ ወደ ሞዴል (ለምሳሌ በአንዳንድ የ1D ግልበጣዎች) የቀጥታ ካርታ ስራን ከሚማሩ አውታረ መረቦች ጋር ፈጣን ትንበያ።

እያንዳንዱ ፍጥነት ይጨምራል, ነገር ግን እያንዳንዱ አዲስ አደጋ ያስተዋውቃል: ምትክ ሞዴል የስልጠና ክልል ውጭ ስህተት ይሆናል; የተማረው ቀደምት የስልጠናውን ስብስብ ጂኦሎጂ በመረጃው ላይ መጫን ይችላል (የማይገኝ መዋቅርን እንደ "አሳማኝ" ማምረት); ቀጥተኛ ግምት በራስ መተማመንን ሊገምት ይችላል.

ጠቃሚ ምክር፡ የ AI-የተጣደፈ ግልበጣን ውጤት ከመቀበላችሁ በፊት የተገኘውን ሞዴል በትክክለኛ (አካላዊ) ወደፊት ሞዴሊንግ ያስቀምጡ እና የሚያወጣውን መረጃ ከተስተዋለው መረጃ ጋር ያወዳድሩ። ተተኪው ሞዴል "ይስማማል" ያለው መፍትሄ በእውነተኛ ፊዚክስ ውስጥ የተመለከተውን መረጃ ካልያዘ፣ ያ መፍትሄ ዋጋ የለውም።

እርግጠኛ አለመሆንን መለካት፡ ስርጭት እንጂ ነጠላ ሞዴል አይደለም።

ጥሩ የተገላቢጦሽ ውፅዓት አንድ ነጠላ ሞዴል አይደለም, ነገር ግን ሊሆኑ የሚችሉ ሞዴሎች ቤተሰብ ነው. እርግጠኛ አለመሆንን የሚለኩ መንገዶች፡ የተለያዩ የመነሻ ሞዴሎች ያላቸው በርካታ ሩጫዎች፣ የተለያዩ የመደበኛነት ክብደቶች እና ፕሮባቢሊቲ አካሄዶች (ለምሳሌ የቤይዥያን መገለባበጥ - ውጤቱን እንደ ዕድል ስርጭት የሚሰጥ አቀራረብ፣ የኋላ ስርጭት)። AI የዚህን ስርጭት ናሙና ማፋጠን ይችላል (ለምሳሌ, ብዙ ሊሆኑ የሚችሉ ሞዴሎችን ማፍራት). አላማው "መሬት ውስጥ ያለው እንደዚህ ነው" ማለት ሳይሆን "መሬት ውስጥ ያለው በዚህ ክልል እና በእነዚህ ክልሎች በዚህ መተማመን ነው" ማለት አይደለም.

ማስጠንቀቂያ፡ የተገላቢጦሽ ካርታ የበለጠ "ስለታም እና ዝርዝር" በታየ ቁጥር፣ በቋሚነት ውሳኔ እና ቅድመ ሁኔታ ላይ የበለጠ ጥገኛ ሊሆን ይችላል። ሹልነት ትክክለኛነት አይደለም። የትኛው የአምሳያው ክልል በመረጃው እንደሚወሰን እና በቅድመ / መደበኛ (የመፍትሄ ትንተና) መለየት.

መፍትሄ እና ስሜታዊነት

የእያንዳንዱ የተገላቢጦሽ ሞዴል እያንዳንዱ ሕዋስ እኩል አስተማማኝ አይደለም. ስሜታዊነት መረጃው ለአምሳያው ክልል ምን ያህል ምላሽ እንደሚሰጥ ነው; ውሂቡ "ማየት" የማይችላቸው ክልሎች (ዝቅተኛ ስሜታዊነት) ሙሉ በሙሉ በግቢው ተሞልተዋል እና እውነተኛ መረጃ አይያዙም። ፈጣን መፍትሄዎችን በማምረት AI ይህንን ልዩነት ሊያደበዝዝ ይችላል. ስለዚህ የመፍታት/sensitivity ካርታ ከተገኘው ሞዴል ቀጥሎ መካተት አለበት።

ሶስት ጥቃቅን ጉዳዮች

ጉዳይ 1 - ከሰዓታት እስከ ሰከንድ. በማግኔትቶቴሉሪክ (ኤምቲ - ከመሬት በታች የመቋቋም አቅምን በተፈጥሮ ኤሌክትሮማግኔቲክ መስክ የሚለካበት ዘዴ) ፕሮጀክት ውስጥ፣ የ3-ል የተገላቢጦሽ ሩጫ 9 ሰአታት ፈጅቷል። ቡድኑ የማስተላለፊያ ሂሳቡን በተኪ አውታረመረብ በመተካት የሁኔታዎችን ቅኝት ወደ ደቂቃዎች ቀንስ። ነገር ግን የመጨረሻውን ሞዴል በእውነተኛ ፊዚክስ እና በተረጋገጠ የውሂብ ተስማሚነት እንደገና አካሄዱ; ተኪው በ 3% ጠፍቶ የነበረውን ጥልቅ ክልል በእጅ አስተካክለዋል.

ጉዳይ 2 - የተጫነ ጂኦሎጂ. ከአሸዋ ድንጋይ ተፋሰሶች የተማረው ቅድመ ሁኔታ በካርቦኔት ሜዳ ላይ ጥቅም ላይ የዋለ ሲሆን የተገላቢጦሹ አሰራር ግን ምንም እንኳን መረጃው ባይደግፈውም ለስላሳ ሽፋን ያለው መዋቅር ፈጠረ። የስሜት ካርታው እንደሚያሳየው ይህ መዋቅር በትክክል መረጃው ማየት በማይችልበት ጥልቅ ክልል ውስጥ ነው-አወቃቀሩ የመጣው ከውሂቡ ሳይሆን ከቅድመ ሁኔታ ነው. ቅድመ ሁኔታው ​​ሲቀየር, ሞዴሉ እውን ሆነ.

ጉዳይ 3 - የሹልነት ውድቀት. ሁለት ቡድኖች ተመሳሳይ የስበት መረጃን በግልባጭ ፈትተዋል። ዝቅተኛ regularization ጋር ያለው መፍትሔ, ስለታም ወጣ, ከፍተኛ regularization ጋር መፍትሔ ጃክ ወጣ; ሁለቱም ውሂቡን በእኩል መጠን ያሟሉታል. ውሳኔው ፖሊሴሚን ለመቀበል እና ሁለቱንም ሞዴሎች በማጠራቀሚያው ስሌት ውስጥ ያካትታል; በአንድ ሞዴል ውስጥ መቆለፍ አደጋን ይደብቃል.

አራት ሊገለበጡ የሚችሉ አብነቶች

1) የተገላቢጦሽ መፍትሄ የመጫኛ ምክክር;

የእርስዎ ሚና፡ የተገላቢጦሽ ስፔሻሊስት። ችግር፡ [1D/2D/3D፣ ዘዴ፡ MT/seismic/gravity]። የተገላቢጦሹን የመፍትሄ ሃሳብ አለመታመም ግለጽልኝ; የውሂብ ተስማሚ እና መደበኛነትን እንዴት ማመጣጠን እችላለሁ ፣ በምን መስፈርት (L-curve ፣ cross-validation) የመደበኛነት ክብደትን እመርጣለሁ? ደረጃ በደረጃ ጻፍ.

2) ተተኪ ሞዴል ማረጋገጫ፡-

በ AI ተተኪ ሞዴል ወደ ፊት ሞዴሊንግ አፋጠንኩ። ይህ ተኪ አስተማማኝ የሆነበትን የመለኪያ ክልል እንዴት ማወቅ እችላለሁ? ውጤቱን በእውነተኛ ፊዚክስ እንዴት ማረጋገጥ እችላለሁ, ተኪው የሚለያይበትን ክልል እንዴት መያዝ እችላለሁ? የማረጋገጫ ፕሮቶኮል ይጠቁሙ።

3) እርግጠኛ ያልሆነ ፍለጋ;

የእኔ የተገላቢጦሽ መፍትሄ አንድ ነጠላ ንድፍ ሰጠ። እርግጠኛ አለመሆንን ለማስተዋወቅ የተለያዩ የመነሻ ሞዴሎችን፣ የተለያዩ መደበኛ ክብደቶችን እና ፕሮባቢሊቲ ናሙናዎችን እንዴት እጠቀማለሁ? ውጤቱን ከ"ነጠላ ሞዴል" ይልቅ "የሞዴሎች ቤተሰብ + የመተማመን ክፍተት" ብዬ እንዴት ሪፖርት አደርጋለሁ?

4) የመፍትሄው መለያየት;

የእኔ የተገላቢጦሽ ሞዴል የትኛው ክልል በመረጃው እንደሚወሰን እና በቅድመ ሁኔታ/በቁጥጥር ስር እንደሚወሰን መለየት እፈልጋለሁ። የስሜታዊነት/የመፍትሄ ትንተናን እንዴት ማዋቀር እና ዝቅተኛ የትብነት ቦታዎችን በሪፖርቱ ውስጥ ምልክት ማድረግ የምችለው እንዴት ነው?

ደካማ ጥያቄ / ጠንካራ ጥያቄ

ደካማ ጥያቄ፡

ይህንን ውሂብ ይፍቱ እና የመሬት ውስጥ ሞዴሉን ይስጡ።

አንድ ሞዴል ይጠብቃል; አሻሚነትን እና አሻሚነትን ይደብቃል, ይህም ግልጽ የሆነ ግን ያልተሳካ መደምደሚያ ያስከትላል.

ኃይለኛ ጥያቄ፡-

የእርስዎ ሚና፡ የተገላቢጦሽ ስፔሻሊስት። ውሂብ፡ [የስበት መገለጫ + 2 well density]። ተግባር፡ (1) የውሂብ ብቃት-ቁጥጥርን በማመጣጠን የማጣቀሻ ሞዴል ማምረት; (2) ቢያንስ ሦስት ተለዋጭ ሞዴሎችን ለማምጣት የመደበኛነት ክብደት ይለያያሉ እና ሁሉም ከመረጃው ጋር የሚስማሙ መሆናቸውን ያሳያል። (3) የእያንዳንዱ ሞዴል የትኛው ክልል በመረጃው እና በቅድመ ሁኔታው ​​ይወሰናል. ውጤቱን እንደ አንድ ትክክለኛ ሞዴል አታቅርቡ; እርግጠኛ ባልሆነ ክልል ይስጡ።

የአማራጭ ሞዴሎች ፍላጎት፣ የውሂብ ተስማሚ እና የመፍታት መለያየት የተገላቢጦሹን መፍትሄ ታማኝ ያደርገዋል።

የተገላቢጦሽ አቀራረቦች

አቀራረብ

ፍጥነት

ዋና አደጋ

ማረጋገጥ

ክላሲክ ድግግሞሽ

ዘገምተኛ

የአካባቢ ዝቅተኛ

ብዙ ጅምር

ምትክ ሞዴል

በጣም ፈጣን

ከክልል ልዩነት ውጪ

በእውነተኛ ፊዚክስ የተረጋገጠ

የተማረ ቅድመ ሁኔታ

ፈጣን

የጂኦሎጂ መጫን

የስሜታዊነት ካርታ

ባዬሲያን/ይሆናል

መካከለኛ

የመለያ ወጪ

የኋላ ስርጭት

የተለመዱ ስህተቶች

• ብቸኛው ሞዴል እውን እንደሆነ በማሰብ. የተገላቢጦሽ መፍትሄው ብዙ ስሜት ይፈጥራል; አማራጮችን ይፍጠሩ.
• የመተኪያ ሞዴልን በጭፍን መቀበል። በተጨባጭ ወደፊት ሞዴሊንግ ውጤቱን ሳታረጋግጡ አትጨርሱ።
• ቅድመ ሁኔታን አለመጠራጠር. የተማረው ቅድመ ሁኔታ በመረጃው ያልተደገፈ መዋቅር ሊያመጣ ይችላል።
• ለትክክለኛነት የስህተት ጥርትነት። ዝርዝሩ በመደበኛነት ውሳኔ ላይ የተመሰረተ ነው.
• ውሳኔውን በመደበቅ. ዝቅተኛ የትብነት ቦታዎችን እንደ እውነተኛ መረጃ አታቅርቡ።

በማጠቃለያው

ተገላቢጦሽ በጂኦፊዚክስ ከመረጃ ወደ ሞዴል የመሸጋገሪያ ደረጃ ነው፣ እና በባህሪው የታመመ፣ ፖሊሴማዊ ችግር ነው። AI; ተተኪ ሞዴሎች ይህን ሂደት በተማሩ ቅድመ-ግምገማዎች እና ቀጥተኛ ግምቶች በአስደናቂ ሁኔታ ያፋጥኑታል። ነገር ግን እያንዳንዱ ማፋጠን አዲስ አደጋን ይይዛል፡- ከክልል ውጪ መንሳፈፍ፣ የተጫነ ጂኦሎጂ፣ የተጋነነ በራስ መተማመን። ትክክለኛ አጠቃቀም; አማራጭ ሞዴሎችን ማመንጨት፣ በእውነተኛ ፊዚክስ ማረጋገጥ፣ እርግጠኛ አለመሆንን እንደ ስርጭት ሪፖርት ማድረግ እና መፍትሄን ማግለል። የተገላቢጦሽ መፍትሄው ውጤት አንድ እውነት ሳይሆን በራስ መተማመን የታሰሩ ሞዴሎች ቤተሰብ ነው።

የመተግበሪያ ተግባር

የተገላቢጦሽ ችግር (1D resistivity, gravity profile, ወዘተ) ይምረጡ. በ"የተገላቢጦሽ የመፍትሄ ማዋቀር ምክክር" አብነት ለዳታ ማክበር-ቁጥጥር ንግድ ማቀድ። ከዚያም ቢያንስ ሶስት አማራጭ ሞዴሎችን በ"ያልተረጋገጠ ፍለጋ" አብነት የማመንጨት ሂደት ይፍጠሩ እና ከመረጃው ተስማሚ ጋር ያወዳድሩ። የትኛው ክልል በመረጃው እንደሚወሰን እና በግቢው እንደሚወሰን እንዴት እንደሚለዩ ይፃፉ።

የማረጋገጫ ዝርዝር

• [ ] አውቄ በመረጃ ማክበር እና በመደበኛነት መካከል ያለውን ሚዛን አሳየሁ።
• [ ] ቢያንስ ሦስት አማራጭ ሞዴሎችን አዘጋጅቻለሁ እና ተስማሚነታቸውን ከመረጃው ጋር አነጻጽር።
• [ ] የሱሮጌት/AI ማጣደፍን በእውነተኛ ፊዚክስ አረጋግጫለሁ።
• [ ] የዳታ-ቅድመ-ቅድመ-መለያ መለያየትን ከመፍትሔ/ትብነት ካርታ ጋር አሳይቻለሁ።
• [ ] ውጤቱን በአንድ ሞዴል ሳይሆን እርግጠኛ ባልሆነ ክልል ሪፖርት አድርጌያለሁ።