Печалби:
- Възможност за контролиране на потискане на шума, базирано на изкуствен интелект, с диаграма на разликата и предотвратяване на изтриване на слабо, но реално отражение
- Способност за разпознаване на риска от деконволюция, произвеждаща фалшива разделителна способност и капана на интерполацията на следи, създаваща призрачни структури, и ги следва с маска
- Възможност за проверка на физическата валидност чрез свързване на резултатите от обработката с връзка за кладенец
Това, което виждате, когато отворите необработен сеизмичен запис, рядко е „картина на подземната повърхност“. Вместо това виждате сложна комбинация: действителният сигнал, отразен от под земята, повърхностни вълни, случаен шум, множество отражения и присъщи изкривявания на записа. Обработката на сеизмични данни е процес на стъпка по стъпка почистване, подравняване и трансформиране на този необработен запис в интерпретируемо изображение на подземието. В тази част ще обясним как изкуственият интелект (AI) е мощен ускорител на този процес, особено в стъпки като премахване на шума, деконволюция и попълване на липсващи следи; но ще видим защо решенията за параметрите и физическата валидност остават на експерта.
Анатомия на сеизмичните данни
Нека започнем с кратък речник. Следата е зависима от времето серия от амплитуди, записана от един приемник. Когато се съберат много следи, се образува разрез. Интервалът на извадката е времето между две последователни стойности на амплитудата (напр. 2 ms). Действителните отражения в сигнала възникват от разликата в акустичния импеданс на границите на слоя в подземния слой; Целта на обработката е да отдели тези отражения от шума и да ги постави на правилното време-пространствено място.
Шумът се предлага в два основни типа: произволен шум (некохерентен, независим от следите) и кохерентен шум (кохерентен шум — нормален, силен, маскиращ сигнала, като повърхностни вълни/въртене на земята). Методите, базирани на AI, често са по-гъвкави от традиционните филтри при разделянето на тези два типа, тъй като използват сложна дискриминация, научена от проби, а не прозорец с фиксирана честота-скорост.
Потискане на шума с AI
Класическото потискане на шума се извършва с филтри, базирани на честота, скорост (f-k филтър) или статистика. Базирани на изкуствен интелект шумопотискащи устройства (предимно конволюционни невронни мрежи, накратко CNN; мрежи, които научават локални модели в данни, подобни на изображения) се учат от примерни двойки „шумен вход → чист изход“. Неговото предимство: може да прави чувствителна към контекста разлика вместо фиксирано правило, когато разделя сигнала от шума. Риск: тенденцията за изтриване на сигнала или оставяне на шума като сигнал при среща с тип шум, който не е в данните за обучение.
Най-критичната опасност е следната: агресивен шумопотискащ изкуствен интелект може да обърка слабо, но реално отражение за шум и да го елиминира. Така че златното правило: не забравяйте да видите разликата (отстранен компонент) преди и след потискането на шума. Ако видите постоянен модел на отражение в отстранената част, филтърът поглъща сигнала.
Съвет: Начертайте слоя "шум", произведен от потискащия шум YZ, като отделен срез (графика на разликата). Остатъкът от добър репресор се появява на случаен принцип; Ако в него има наклонени непрекъснати отражения, филтърът е твърде агресивен и трябва да смекчите параметъра.
Деконволюция: връщане на сигнатурата на източника
Деконволюцията е процесът, който се опитва да разкрие истинската серия на отразяване на подповърхността чрез изваждане на уейвлет сигнатурата на източника (вейвлет на източника — формата на вълната, произведена от взрива/вибратора) от записаната следа. Целта е да се увеличи разделителната способност и да се потиснат множество отражения. AI може да подобри уейвлет оценката и устойчивостта на шума при деконволюция; Въпреки това, ако деконизацията се приложи прекомерно, тя ще усили високочестотния шум и ще доведе до фалшива резолюция. AI е двигател за препоръки и тук; Крайният избор на параметър (дължина на оператора за декониране, предварително избелване) е експертно калибриран според физическия характер на следите.
Непълна интерполация на следи и редовно вземане на проби
Някои приемници се провалят на полето, някои линии се събират непълно; В резултат на това възникват пропуски в данните. Базираната на AI интерполация (попълване на липсващи следи чрез обучение от съседи) е много полезна за получаване на правилна мрежа преди миграция. Запълнената следа обаче е оценка, а не измерване; Тези следи не трябва да се третират с еднаква тежест като реалните данни в интерпретацията, а трябва да бъдат маркирани отделно в изхода.
Внимание: Ако следите, получени чрез интерполация, продължават като „реални данни“ в следващите стъпки, те могат да доведат до създаването на несъществуваща структура. Очертайте запълнените клетки с маска; Ако критична структура се появи само в интерполираната област, не й се доверявайте.
три мини калъфа
Случай 1 — Мрежово обучение на земята. При наземната сеизмика силни повърхностни вълни (наземно търкаляне) маскираха сигнала. Екипът използва шумозаглушител на CNN, който се учи от 800 ръчно почистени записи; времето за обработка е намалено от 12 минути на 40 секунди на запис. Екипът инспектира ръчно 5% записи от всяка партида и потвърди, че няма загуба на сигнал с диаграма на разликата.
Случай 2 — Изтрито слабо отражение. В друг проект, агресивно настроен YZ супресор прие слабо, но реално отражение на резервоара на 2,4 секунди за шум и го изтри. Разликата стана очевидна едва когато се установи сеизмичната връзка между кладенеца: чистият слой в кладенеца не присъстваше в разреза. Когато параметърът беше изгладен и обработен повторно, отражението се върна.
Случай 3 — Призракът на интерполацията. В 3D том, където липсващите редове бяха попълнени от AI, коментаторът забеляза фина структура на канала. Поглеждайки маската за запълване, той видя, че каналът попада точно в интерполираното пространство. Когато бяха събрани допълнителни полеви данни, стана ясно, че каналът не е там, а модел, създаден от прогнозата.
Четири копируеми шаблона
1) Скица на потока на обработка:
Вашата роля: специалист по сеизмична обработка. Данни: [земя/море, 2D/3D, вземане на проби 2 ms, цел 1-4 km]. Очертайте ми стъпка по стъпка процес на обработка (предварителна обработка → потискане на шума → декон → анализ на скорост → миграция). Във ВСЯКА стъпка запишете кое решение изисква параметри и какво трябва да търся при избора на този параметър.
2) План за контрол на шумопотискането:
Приложих шумопотискащ AI шум. Дайте ми контролен списък за проверка: какво трябва да търся в диаграмата на разликата, как да разпозная загубата на сигнал, какъв показател трябва да сравня преди/след, каква скорост на запис трябва да проверя ръчно? Пишете кратко и действено.
3) Консултация с параметрите на деконволюцията:
Вашата роля: консултант по обработката. Прилагам деконволюция и високочестотният шум се увеличава. Обяснете възможните причини, дължината на оператора и ефекта от настройката за предварително избелване. Как да разбера дали прекомерната декомпресия води до фалшива резолюция? Посочете причини за всяко предложение.
4) Проследяване на интерполационна маска:
Попълних липсващите следи с AI. Кажете ми как да запазя запълнените клетки маркирани в следващите стъпки, как да отделя коментара от действителните данни и как да премахна „структурата, видима само в интерполираната област“.
Слаба подкана / Силна подкана
Слаба подкана:
Изчистете шума в сеизмичната ефективност, кажете най-добрата настройка.
„Най-добра настройка“ не съществува независимо от данните; AI дава обща, неконтролируема препоръка.
Мощна подкана:
Вашата роля: специалист по сеизмична обработка. Ефективност: черен 2D, силно земно въртене (5-12 Hz), целеви отражения 20-45 Hz, семплиране 2 ms. Задача: предложете подход за потискане на шума, обяснете с термини на честотата кой компонент да се запази и кой да се потисне. Как да наблюдавам риска от загуба на сигнал (метрика на графика на разликата) и с какъв показател да сравнявам преди/след? Не казвайте просто „въведете тази настройка“; Дайте критерии за вземане на решение.
Предвид характера на данните, целевата лента и контролните критерии, изходът става наистина осъществим.
Стъпки на обработка и роля на AI
Стъпка на обработка
Принос на AI
Основен риск
човешко решение
Произволно потискане на шума
високо
Изтриване на слаб сигнал
Потвърждение на параметър
Постоянен шум (наземно търкаляне)
високо
прекомерно потискане
Контрол на парцела на разликата
деконволюция
среден
фалшива резолюция
Оператор/избелване
Интерполация на следа
среден
призрачна сграда
Проследяване на маска
Анализ на скоростта
среден
Миграция с грешна скорост
Потвърдено от добре
Често срещани грешки
- Потискане без разглеждане на графиката на разликата. Няма да забележите загуба на сигнал, докато не видите премахнатия компонент.
- Прекаляване с декон. Грешното приемане на високочестотен шум за разделителна способност създава фалшиви слоеве.
- Пребройте интерполираната следа като реални данни. Оставянето на запълнени клетки немаркирани създава призрачна структура.
- Гледайки един показател. Би било подвеждащо да се разглежда само съотношението сигнал/шум и да се игнорира запазването на отражението.
- Заобикаляйки връзката на кладенеца. Преминаваме към тълкуване на резултата от обработката, без да го свързваме с данните от кладенеца.
В обобщение
При сеизмичната обработка AI осигурява по-голяма скорост и често по-гъвкаво разделяне при потискане на шума, деконволюция и интерполация на следи. Но на всяка стъпка има физически капан: изтриване на слаб сигнал, създаване на фалшива разделителна способност, пораждане на призрачни артефакти. Ето защо контроли като контрол на диференциалната графика, свързване на кладенци и интерполационна маска са незаменими. AI предлага параметри; Експертът е този, който валидира параметъра според физиката на данните и прави резултата интерпретируем.
Задача за приложение
Определете стъпка за потискане на шума върху сеизмичен участък (реален или примерен). Извлечете потока с шаблона „Очертание на потока на обработка“, след което създайте контролен списък с шаблона „План за контрол на шумопотискането“. Сравнете срезовете преди/след и диаграмата на разликата и преценете със свои думи дали има последователно отражение в премахнатия компонент.
контролен списък
- [ ] Сравних преди/след потискане на шума и графика на разликата.
- [ ] Проверих, че няма постоянен сигнал в премахнатия компонент.
- [ ] Проверих резултата за декониране за грешна резолюция.
- [ ] Запазих интерполираните следи, маркирани с маска.
- [ ] Свързах резултата с данните за кладенеца (връзка на кладенеца).