Seismische Datenverarbeitung: Rauschunterdrückung, Dekonvolution und künstliche Intelligenz

Gewinne:

• Möglichkeit, die auf künstlicher Intelligenz basierende Rauschunterdrückung mit Differenzdiagramm zu steuern und zu verhindern, dass schwache, aber echte Reflexionen gelöscht werden
• Fähigkeit, das Risiko einer Entfaltung zu erkennen, die zu einer falschen Auflösung führt, und die Falle der Spureninterpolation, die Geisterstrukturen erzeugt, und diese mit einer Maske zu verfolgen
• Fähigkeit zur Überprüfung der physikalischen Gültigkeit durch Verknüpfung von Verarbeitungsergebnissen mit einer Bohrlochverknüpfung

Was Sie sehen, wenn Sie eine seismische Rohaufzeichnung öffnen, ist selten ein „Bild des Untergrunds“. Stattdessen sehen Sie eine komplexe Mischung: das tatsächliche vom Untergrund reflektierte Signal, Oberflächenwellen, zufälliges Rauschen, Mehrfachreflexionen und inhärente Verzerrungen der Aufnahme. Bei der seismischen Datenverarbeitung handelt es sich um den Prozess der schrittweisen Reinigung, Ausrichtung und Umwandlung dieser Rohdaten in ein interpretierbares Bild des Untergrunds. In dieser Einheit erklären wir, wie künstliche Intelligenz (KI) diesen Prozess stark beschleunigt, insbesondere bei Schritten wie Entrauschen, Entfalten und Füllen fehlender Spuren. aber wir werden sehen, warum Entscheidungen über Parameter und physikalische Gültigkeit immer noch dem Experten überlassen bleiben.

Anatomie seismischer Daten

Beginnen wir mit einem kurzen Glossar. Eine Spur ist eine zeitabhängige Amplitudenreihe, die von einem einzelnen Empfänger aufgezeichnet wird. Wenn viele Spuren zusammenkommen, entsteht ein Abschnitt. Das Abtastintervall ist die Zeit zwischen zwei aufeinanderfolgenden Amplitudenwerten (z. B. 2 ms). Die tatsächlichen Reflexionen innerhalb des Signals entstehen durch die akustische Impedanzdifferenz der Schichtgrenzen im Untergrund; Der Zweck der Verarbeitung besteht darin, diese Reflexionen vom Rauschen zu trennen und sie an der richtigen zeitlichen und räumlichen Stelle zu platzieren.

Es gibt zwei Haupttypen von Rauschen: Zufallsrauschen (inkohärent, spurunabhängig) und kohärentes Rauschen (kohärentes Rauschen – regelmäßig, stark, das Signal überdeckend, z. B. Oberflächenwellen/Bodenrollen). KI-basierte Methoden sind bei der Trennung dieser beiden Typen oft flexibler als herkömmliche Filter, da sie eine komplexe, aus Stichproben erlernte Unterscheidung anstelle eines festen Frequenz-Geschwindigkeitsfensters verwenden.

Geräuschunterdrückung mit KI

Die klassische Rauschunterdrückung erfolgt mit Filtern basierend auf Frequenz, Geschwindigkeit (f-k-Filter) oder Statistik. KI-basierte Rauschunterdrücker (meist Convolutional Neural Networks, kurz CNN; Netzwerke, die lokale Muster in bildähnlichen Daten lernen) lernen aus „verrauschten Eingabe → sauberen Ausgabe“-Stichprobenpaaren. Sein Vorteil: Bei der Trennung von Signal und Rauschen kann statt einer festen Regel eine kontextsensitive Unterscheidung getroffen werden. Risiko: Die Tendenz, das Signal zu löschen oder das Rauschen als Signal zu belassen, wenn auf eine Art von Rauschen gestoßen wird, die nicht in den Trainingsdaten enthalten ist.

Die größte Gefahr besteht darin, dass ein aggressiver KI-Rauschunterdrücker eine schwache, aber echte Reflexion mit Rauschen verwechseln und eliminieren kann. Deshalb gilt die goldene Regel: Achten Sie darauf, den Unterschied (entfernte Komponente) vor und nach der Rauschunterdrückung zu betrachten. Wenn Sie im entfernten Teil ein konsistentes Reflexionsmuster sehen, frisst der Filter das Signal.

Tipp: Zeichnen Sie die vom YZ-Rauschunterdrücker erzeugte „Rauschen“-Schicht als separates Segment (Differenzdiagramm). Der Rückstand eines guten Repressors erscheint zufällig; Wenn es schräge, kontinuierliche Reflexionen gibt, ist der Filter zu aggressiv und Sie müssen den Parameter abschwächen.

Dekonvolution: Zurückerhalten der Quellsignatur

Dekonvolution ist der Prozess, der versucht, die wahre Reflexionsreihe des Untergrunds aufzudecken, indem die Wavelet-Signatur der Quelle (Quell-Wavelet – die von der Explosion/dem Vibrator erzeugte Wellenform) von der aufgezeichneten Spur subtrahiert wird. Ziel ist es, die Auflösung zu erhöhen und Mehrfachreflexionen zu unterdrücken. KI kann die Wavelet-Schätzung und die Robustheit gegenüber Rauschen bei der Entfaltung verbessern; Wenn die Dekontamination jedoch übermäßig angewendet wird, verstärkt sie hochfrequentes Rauschen und führt zu einer falschen Auflösung. KI ist auch hier eine Empfehlungsmaschine; Die endgültige Parameterauswahl (Länge des Dekontaminationsoperators, Voraufhellung) wird fachmännisch entsprechend der physikalischen Beschaffenheit der Spuren kalibriert.

Unvollständige Trace-Interpolation und regelmäßige Probenahme

Manche Empfänger fallen im Feld aus, manche Leitungen werden unvollständig erfasst; Dadurch entstehen Lücken in den Daten. KI-basierte Interpolation (Ausfüllen fehlender Spuren durch Lernen von Nachbarn) ist sehr nützlich, um vor der Migration ein regelmäßiges Gitter zu erhalten. Allerdings handelt es sich bei der ausgefüllten Kurve um eine Schätzung und nicht um eine Messung. Diese Spuren sollten bei der Interpretation nicht mit dem gleichen Gewicht wie die realen Daten behandelt werden, sondern in der Ausgabe gesondert gekennzeichnet werden.

Achtung: Wenn durch Interpolation erzeugte Spuren in den Folgeschritten als „echte Daten“ weitergeführt werden, kann es zur Entstehung einer nicht vorhandenen Struktur kommen. Zeichnen Sie die gefüllten Zellen mit einer Maske nach; Wenn eine kritische Struktur nur im interpolierten Bereich auftritt, vertrauen Sie ihr nicht.

drei Mini-Koffer

Fall 1 – Netzwerk-Lern-Bodenrolle. Bei Landseismik überdeckten starke Oberflächenwellen (Bodenrollen) das Signal. Das Team verwendete einen CNN-Rauschunterdrücker, der aus 800 handbereinigten Aufnahmen lernte; Die Verarbeitungszeit wurde von 12 Minuten auf 40 Sekunden pro Datensatz verringert. Das Team überprüfte manuell 5 % der Aufzeichnungen jeder Charge und bestätigte anhand eines Differenzdiagramms, dass es keinen Signalverlust gab.

Fall 2 – Schwache Reflexion gelöscht. In einem anderen Projekt verwechselte ein aggressiv abgestimmter YZ-Schalldämpfer eine schwache, aber echte Reservoirreflexion bei 2,4 Sekunden mit Rauschen und löschte sie aus. Der Unterschied wurde erst deutlich, als die seismische Verbindung zwischen Bohrloch und Bohrloch hergestellt wurde: Die klare Schicht im Bohrloch war in dem Abschnitt nicht vorhanden. Als der Parameter geglättet und erneut verarbeitet wurde, kehrte die Reflexion zurück.

Fall 3 – Der Geist der Interpolation. In einem 3D-Volumen, in dem fehlende Zeilen durch KI ausgefüllt wurden, bemerkte der Kommentator eine subtile Kanalstruktur. Als er die Füllmaske betrachtete, sah er, dass der Kanal genau in den interpolierten Raum fiel. Als zusätzliche Felddaten gesammelt wurden, wurde klar, dass der Kanal nicht vorhanden war, sondern ein durch die Vorhersage erzeugtes Muster.

Vier kopierbare Vorlagen

1) Ablaufskizze:

Ihre Rolle: Spezialist für seismische Verarbeitung. Daten: [Land/See, 2D/3D, Abtastzeit 2 ms, Ziel 1-4 km]. Skizzieren Sie mir einen schrittweisen Verarbeitungsablauf (Vorverarbeitung → Rauschunterdrückung → Dekontamination → Geschwindigkeitsanalyse → Migration). Schreiben Sie in JEDEM Schritt auf, welche Entscheidung Parameter erfordert und worauf ich bei der Auswahl dieses Parameters achten sollte.

2) Lärmschutzkontrollplan:

Ich habe einen KI-Rauschunterdrücker eingesetzt. Geben Sie mir eine Audit-Checkliste: Worauf sollte ich im Differenzdiagramm achten, wie erkenne ich einen Signalverlust, welche Metrik sollte ich vorher/nachher vergleichen, welche Aufzeichnungsrate sollte ich manuell überprüfen? Schreiben Sie kurz und umsetzbar.

3) Beratung zu Dekonvolutionsparametern:

Ihre Rolle: Abwicklungsberater. Ich wende Entfaltung an und erhöhe das Hochfrequenzrauschen. Erklären Sie mögliche Ursachen, die Dauer des Bedieners und die Auswirkung der Voraufhellungseinstellung. Woher weiß ich, ob übermäßige Deko zu einer falschen Auflösung führt? Begründen Sie jeden Vorschlag.

4) Interpolationsmaskenverfolgung:

Die fehlenden Spuren habe ich mit KI ergänzt. Sagen Sie mir, wie ich in den nächsten Schritten die Markierung der gefüllten Zellen beibehalte, wie ich den Kommentar von den tatsächlichen Daten trenne und wie ich die „nur im interpolierten Bereich sichtbare Struktur“ eliminiere.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Beseitigen Sie Geräusche in Bezug auf seismische Effizienz und geben Sie die beste Einstellung an.

Eine „beste Einstellung“ gibt es nicht unabhängig von Daten; KI gibt eine allgemeine, unkontrollierbare Empfehlung.

Kraftvolle Aufforderung:

Ihre Rolle: Spezialist für seismische Verarbeitung. Ausbeute: Schwarz 2D, starker Groundroll (5–12 Hz), Zielreflexionen 20–45 Hz, Abtastzeit 2 ms. Aufgabe: Schlagen Sie einen Ansatz zur Rauschunterdrückung vor und erklären Sie in Bezug auf die Frequenzrate, welche Komponente erhalten und welche unterdrückt werden soll. Wie überwache ich das Risiko eines Signalverlusts (Differenzdiagramm-Metriken) und mit welcher Metrik vergleiche ich vorher/nachher? Sagen Sie nicht einfach „Geben Sie diese Einstellung ein“; Geben Sie Entscheidungskriterien an.

Angesichts der Datenbeschaffenheit, des Zielbands und der Kontrollkriterien wird die Ausgabe wirklich machbar.

Verarbeitungsschritte und KI-Rolle

Verarbeitungsschritt

KI-Beitrag

Hauptrisiko

menschliche Entscheidung

Unterdrückung zufälliger Geräusche

hoch

Schwaches Signal löschen

Parameterbestätigung

Kontinuierliches Geräusch (Bodenrollen)

hoch

übermäßige Unterdrückung

Differenzdiagrammsteuerung

Entfaltung

mittel

gefälschte Auflösung

Operator/Bleaching

Trace-Interpolation

mittel

Geistergebäude

Maskenverfolgung

Geschwindigkeitsanalyse

mittel

Migration mit falscher Geschwindigkeit

Von nun an bestätigt

Häufige Fehler

• Unterdrücken, ohne das Differenzdiagramm zu betrachten. Sie werden den Signalverlust erst bemerken, wenn Sie die entfernte Komponente sehen.
• Übertreiben Sie die Dekontamination. Wird hochfrequentes Rauschen mit Auflösung verwechselt, entstehen Störschichten.
• Zählen Sie die interpolierte Spur als echte Daten. Wenn gefüllte Zellen unmarkiert bleiben, entsteht eine Geisterstruktur.
• Betrachten Sie eine Metrik. Es wäre irreführend, nur auf das Signal-Rausch-Verhältnis zu schauen und die Reflexionserhaltung zu ignorieren.
• Umgehen des Brunnenbinders. Weiter geht es mit der Interpretation des Verarbeitungsergebnisses, ohne es mit den Bohrlochdaten zu verknüpfen.

Zusammenfassend

Bei der seismischen Verarbeitung sorgt KI für eine höhere Geschwindigkeit und häufig eine flexiblere Trennung bei der Rauschunterdrückung, Dekonvolution und Spureninterpolation. Doch bei jedem Schritt gibt es eine physikalische Gefahr: Schwache Signale werden gelöscht, es entsteht eine falsche Auflösung und es entstehen Geisterartefakte. Aus diesem Grund sind Steuerungen wie die Differenzdiagrammsteuerung, die Well-Tie-Steuerung und die Interpolationsmaske unverzichtbar. KI schlägt Parameter vor; Es ist der Experte, der den Parameter entsprechend der Physik der Daten validiert und das Ergebnis interpretierbar macht.

Anwendungsaufgabe

Definieren Sie einen Rauschunterdrückungsschritt für einen seismischen Abschnitt (real oder Probe). Extrahieren Sie den Ablauf mit der Vorlage „Verarbeitungsablaufübersicht“ und erstellen Sie dann eine Checkliste mit der Vorlage „Lärmunterdrückungskontrollplan“. Vergleichen Sie die Vorher/Nachher-Slices und das Differenzdiagramm und bewerten Sie in Ihren eigenen Worten, ob in der entfernten Komponente eine konsistente Reflexion vorliegt.

Checkliste

• [ ] Ich habe vor/nach der Rauschunterdrückung und dem Differenzdiagramm verglichen.
• [ ] Ich habe überprüft, dass in der entfernten Komponente kein konsistentes Signal vorhanden ist.
• [ ] Ich habe das Dekontaminationsergebnis auf falsche Auflösung überprüft.
• [ ] Ich habe die interpolierten Spuren mit einer Maske markiert.
• [ ] Ich habe das Ergebnis mit den Bohrlochdaten verknüpft (Brunnenvergleich).