Kasu:
- Võimalus kontrollida tehisintellektil põhinevat mürasummutust erinevuste graafikuga ja vältida nõrga, kuid tõelise peegelduse kustutamist
- Võimalus ära tunda dekonvolutsiooni riski, mis tekitab vale eraldusvõime ja jälgede interpolatsiooni lõksu, mis loob kummitusstruktuure, ning järgib neid maskiga
- Võimalus kontrollida füüsilist kehtivust, ühendades töötlemistulemused kaevu sidemega
See, mida näete töötlemata seismilise rekordi avamisel, on harva "pilt maapinnast". Selle asemel näete keerulist segu: tegelik maa-alusest peegelduv signaal, pinnalained, juhuslik müra, mitu peegeldust ja salvestusele omased moonutused. Seismiline andmetöötlus on protsess, mille käigus puhastatakse, joondatakse ja muudetakse see töötlemata kirje samm-sammult tõlgendatavaks maa-aluse pildiks. Selles üksuses selgitame, kuidas tehisintellekt (AI) on selle protsessi võimas kiirendaja, eriti sellistes etappides nagu müra vähendamine, dekonvolutsioon ja puuduvate jälgede täitmine; kuid me näeme, miks parameetrite ja füüsilise kehtivuse otsused jäävad ikkagi eksperdi teha.
Seismiliste andmete anatoomia
Alustame lühikese sõnastikuga. Jälg on ajast sõltuv amplituudiseeria, mille salvestab üks vastuvõtja. Paljude jälgede kokkulangemisel moodustub sektsioon. Proovivahemik on aeg kahe järjestikuse amplituudiväärtuse vahel (nt 2 ms). Signaali tegelikud peegeldused tulenevad aluspinna kihi piiride akustilise impedantsi erinevusest; Töötlemise eesmärk on eraldada need peegeldused mürast ja paigutada õigesse aegruumi asukohta.
Müra on kahte peamist tüüpi: juhuslik müra (mittekoherentne, radadest sõltumatu) ja koherentne müra (koherentne müra – regulaarne, tugev, signaali varjav, näiteks pinnalained/maarullimine). Tehisintellektil põhinevad meetodid on nende kahe tüübi eraldamisel sageli paindlikumad kui traditsioonilised filtrid, kuna nad kasutavad pigem proovidest õpitud keerulist diskrimineerimist kui fikseeritud sageduse kiirusega akent.
Mürasummutus AI-ga
Klassikaline mürasummutus toimub filtritega, mis põhinevad sagedusel, kiirusel (f-k filter) või statistikal. Tehisintellektil põhinevad mürasummutid (enamasti konvolutsioonilised närvivõrgud, lühidalt CNN; võrgud, mis õpivad pildilaadsete andmete lokaalseid mustreid) õpivad näidispaaridest "mürarikas sisend → puhas väljund". Selle eelis: see suudab signaali mürast eraldades fikseeritud reegli asemel teha kontekstitundlikku vahet. Risk: kalduvus kustutada signaal või jätta müra signaaliks, kui puutute kokku müratüübiga, mida treeningandmetes pole.
Kõige kriitilisem oht on järgmine: agressiivne tehisintellekti mürasummuti võib nõrga, kuid tõelise peegelduse segamini ajada müraga ja selle kõrvaldada. Seega kuldreegel: vaadake kindlasti erinevust (eemaldatud komponent) enne ja pärast mürasummutamist. Kui näete eemaldatud osas ühtlast peegeldusmustrit, on filter söömas signaali.
Näpunäide: joonistage YZ-mürasummuti tekitatud "müra" kiht eraldi lõiguna (erinevusgraafik). Hea repressori jääk ilmub juhuslikult; Kui selles on kaldus pidevaid peegeldusi, on filter liiga agressiivne ja peate parameetrit pehmendama.
Dekonvolutsioon: lähteallkirja tagastamine
Dekonvolutsioon on protsess, mille käigus püütakse paljastada aluspinna tegelik peegeldusseeria, lahutades salvestatud jäljest allika lainesignaali (allika lainekuju – lööklaine/vibraatori tekitatud lainekuju). Eesmärk on suurendada eraldusvõimet ja summutada mitut peegeldust. AI võib dekonvolutsioonil parandada laineliste hinnangut ja müra vastupidavust; Kui aga dekooni kasutatakse liiga palju, võimendab see kõrgsageduslikku müra ja tekitab vale eraldusvõime. AI on ka siin soovitusmootor; Lõpliku parameetri valik (dekonoperaatori pikkus, eelvalgendamine) kalibreeritakse asjatundlikult vastavalt jälgede füüsilisele iseloomule.
Mittetäielik jälgede interpoleerimine ja regulaarne proovivõtt
Mõned vastuvõtjad ebaõnnestuvad väljal, mõned read kogutakse mittetäielikult; Selle tulemusena tekivad andmetes lüngad. Tehisintellektil põhinev interpoleerimine (puuduvate jälgede täitmine naabritelt õppides) on väga kasulik regulaarse ruudustiku saamiseks enne migratsiooni. Täidetud jälg on aga hinnang, mitte mõõtmine; Neid jälgi ei tohiks tõlgendamisel käsitleda tegelike andmetega võrdselt, vaid need tuleks väljundis eraldi märkida.
Ettevaatust: kui interpoleerimise teel saadud jäljed jätkavad järgmistes etappides "pärisandmetena", võivad need viia olematu struktuuri loomiseni. Jälgige täidetud rakke maskiga; Kui kriitiline struktuur ilmub ainult interpoleeritud piirkonnas, ärge usaldage seda.
kolm minikarpi
1. juhtum – võrguõpe. Maa seismilises seisundis varjasid signaali tugevad pinnalained (maarullimine). Meeskond kasutas CNN-i mürasummutit, mis õppis 800 käsitsi puhastatud salvestisest; töötlemisaeg vähenes 12 minutilt 40 sekundile rekordi kohta. Meeskond kontrollis käsitsi iga partii 5% salvestisi ja kinnitas, et erinevuse diagrammiga signaali kadu ei esinenud.
Juhtum 2 – kustutatud nõrk peegeldus. Teises projektis pidas agressiivselt häälestatud YZ-supressor nõrga, kuid tõelise reservuaari peegelduse 2,4 sekundi pärast müraks ja kustutas selle. Erinevus ilmnes alles siis, kui kaevu seismiline side tekkis: läbipaistvat kihti kaevus lõigul ei olnud. Parameetri silumisel ja ümbertöötlemisel peegeldus taastus.
3. juhtum – interpolatsiooni kummitus. 3D-köites, kus puuduvad read täitis AI, märkas kommentaator peent kanalistruktuuri. Täitemaski vaadates nägi ta, et kanal langes täpselt interpoleeritud ruumi. Täiendavate põlluandmete kogumisel selgus, et kanalit seal ei olnud, vaid prognoosi poolt tekitatud muster.
Neli kopeeritavat malli
1) Töötlemisvoo visand:
Teie roll: seismilise töötlemise spetsialist. Andmed: [maa/meri, 2D/3D, proovivõtt 2 ms, sihtmärk 1-4 km]. Kirjeldage mulle samm-sammult töötlemisvoogu (eeltöötlus → mürasummutus → dekoneerimine → kiiruse analüüs → migratsioon). IGAS etapis kirjutage üles, milline otsus nõuab parameetreid ja mida peaksin selle parameetri valimisel otsima.
2) Mürasummutuskava:
Rakendasin AI mürasummuti. Andke mulle auditi kontrollnimekiri: mida peaksin erinevuste graafikult otsima, kuidas signaali kadu ära tunda, millist mõõdikut enne/pärast võrrelda, millist salvestussagedust peaksin käsitsi kontrollima? Kirjutage lühidalt ja sisukalt.
3) Dekonvolutsiooni parameetri konsultatsioon:
Sinu roll: töötlemiskonsultant. Rakendan dekonvolutsiooni ja kõrge sagedusega müra suurenemist. Selgitage võimalikke põhjuseid, operaatori pikkust ja valgendamiseelse seadistuse mõju. Kuidas ma tean, kas liigne dekodeerimine annab vale eraldusvõime? Põhjendage iga soovitust.
4) Interpolatsioonimaski jälgimine:
Täitsin puuduvad jäljed AI-ga. Rääkige mulle, kuidas hoida täidetud lahtrid järgmistes sammudes märgistatuna, kuidas eraldada kommentaar tegelikest andmetest ja kuidas kõrvaldada "ainult interpoleeritud piirkonnas nähtav struktuur".
Nõrk viip / Tugev viip
Nõrk viip:
Eemaldage seismilise tõhususe müra, öelge parim seade.
„Parim säte“ ei eksisteeri andmetest sõltumatult; AI annab üldise, kontrollimatu soovituse.
Võimas viip:
Teie roll: seismilise töötlemise spetsialist. Tootlikkus: must 2D, tugev põhjarull (5-12 Hz), sihtmärgi peegeldused 20-45 Hz, diskreetimine 2 ms. Ülesanne: pakkuge välja lähenemine müra summutamiseks, selgitage sagedus-sageduse terminites, millist komponenti säilitada ja millist summutada. Kuidas jälgida signaali kadumise riski (differenceplot mõõdikud) ja millise mõõdikuga enne/pärast võrrelda? Ärge öelge lihtsalt "sisesta see seade"; Esitage otsustamise kriteeriumid.
Arvestades andmete iseloomu, sihtriba ja juhtimiskriteeriume, muutub väljund tõeliselt teostatavaks.
Töötlemise etapid ja AI roll
Töötlemise etapp
AI panus
Peamine risk
inimlik otsus
Juhuslik mürasummutus
kõrge
Kustutage nõrk signaal
Parameetri kinnitus
Ühtlane müra (maarullimine)
kõrge
liigne allasurumine
Erinevuste juhtimine
dekonvolutsioon
keskmine
võlts resolutsioon
Operaator/valgendamine
Jälje interpolatsioon
keskmine
kummitushoone
Maskide jälgimine
Kiiruse analüüs
keskmine
Ränne vale kiirusega
Hästi kinnitatud
Levinud vead
- Allasurumine, vaatamata erinevuse süžeed. Te ei märka signaali kadumist enne, kui näete eemaldatud komponenti.
- Dekoniga üle pingutamine. Kõrgsagedusliku müra segamine eraldusvõimega tekitab valesid kihte.
- Loendage interpoleeritud jälg reaalseteks andmeteks. Täidetud lahtrite märkimata jätmine loob kummitusstruktuuri.
- Vaadates ühte mõõdikut. Oleks eksitav vaadata ainult signaali-müra suhet ja ignoreerida peegelduse säilimist.
- Kaevulipsust möödasõit. Liikudes edasi töötlemistulemuste tõlgendamise juurde ilma seda puurkaevu andmetega ühendamata.
Kokkuvõttes
Seismilises töötlemises pakub AI suuremat kiirust ja sageli paindlikumat eraldamist mürasummutamisel, dekonvolutsioonil ja jälgede interpoleerimisel. Kuid igal sammul on füüsiline lõks: nõrga signaali kustutamine, vale eraldusvõime tekitamine, kummituslike artefaktide tekitamine. Seetõttu on sellised juhtelemendid nagu erinevuse diagrammi juhtimine, kaevude sidumine ja interpolatsioonimask hädavajalikud. AI soovitab parameetreid; Ekspert on see, kes valideerib parameetri vastavalt andmete füüsikale ja muudab tulemuse tõlgendatavaks.
Rakenduse ülesanne
Määrake seismilisel lõigul (päris või näidis) mürasummutusaste. Ekstraheerige voog malliga "Voolukontuuri töötlemine" ja koostage seejärel kontroll-loend malliga "Mürasummutamise juhtimisplaan". Võrrelge enne/pärast lõike ja erinevuse graafikut ning hinnake oma sõnadega, kas eemaldatud komponendis on järjepidev peegeldus.
kontrollnimekiri
- [ ] Võrdlesin enne/pärast mürasummutust ja erinevuste graafikut.
- [ ] Kontrollisin, et eemaldatud komponendis pole ühtset signaali.
- [ ] Kontrollisin dekoneerimise tulemust vale eraldusvõime suhtes.
- [ ] Interpoleeritud jäljed jätsin maskiga märgistatuks.
- [ ] Viisin tulemuse kaevu andmetega (kaevu tie).