Kasu:
- Mõistke inversiooni ebaõiget ja polüseemset olemust ning tasakaalu andmete sobivuse ja seadustamise vahel.
- Võimalus kinnitada tehisintellekti kiirendust (asendusmudel, eelnevalt õpitud) tõelise edasise modelleerimisega ja tunda ära kehtestatud geoloogiat
- Võimalus esitada tulemus ebakindluse jaotusena, mitte ühe mudelina ning näidata eraldusvõimet/tundlikkust ja andmete jaotust
Geofüüsika sügavaim küsimus on: milline maa-alune mudel toodab andmed, mida ma pinnal mõõdan? Sellele küsimusele vastamist nimetatakse inversiooniks. Kui ettepoole suunatud modelleerimine arvutab eeldatavad andmed teadaoleva maa-aluse mudeli põhjal, siis pöördmodelleerimine teeb vastupidist: see hindab maa-aluse mudelit vaadeldud andmete põhjal. Selles üksuses saate teada, kuidas tehisintellekt (AI) kiirendab inversiooni, võttes surrogaatmudelitega tundide asemel sekundeid; kuid me näeme, miks AI väljundit ei saa kunagi lugeda "üheks tõeliseks mudeliks" inversioonile omase polüseemia ja mitmetähenduslikkuse tõttu.
Pöördlahenduse fundamentaalne pinge
Inversioon ei ole healoomuline probleem; See on valesti püstitatud probleem: sellel ei pruugi olla lahendust, neid võib olla rohkem kui üks või väike müra andmetes võib põhjustada mudelis suure muutuse. Seetõttu tasakaalustab inversioon kaks jõudu: andmete sobimatus (kui lähedased on mudeli poolt toodetud andmed vaadeldavatele andmetele) ja regulaarsus (mudelile "usaldusväärsuse" piirangu lisamine, nt võrdlusmudeli sujuvus või lähedus). Liiga suur andmete sobitamine toob mudelisse ka müra; liiga palju regulaarsust kustutab tegeliku struktuuri. Selle tasakaalu seadmine (nt reguleerimiskaal lambda) mõjutab kogu tõlgendust.
Kuidas AI inversiooni kiirendab?
Klassikaline inversioon värskendab mudelit iteratiivselt, käivitades modelleerimise edasi sadu kuni tuhandeid kordi; 3D-elektromagnetilise või täieliku lainekuju inversiooni korral võib selleks kuluda tundidest päevadeni. AI kiirendab kolmel viisil:
- Asendusmudel (surrogaat/emulaator): tsükli lühendamine, lähendades rasket edasisuunalist arvutust kiire eelkoolitatud närvivõrguga.
- Õpitud enne: realistlike geoloogiliste mudelite põhjal õpitud usutavuse piirangu kasutamine regulatsiooni asemel.
- Otsene järeldus (otsast lõpuni): vahetu ennustamine võrkudega, mis õpivad andmetelt mudelile otsest kaardistamist (nt mõne 1D inversiooni korral).
Igaüks neist lisab kiirust, kuid igaüks toob kaasa uue riski: asendusmudel eksib treeningulatusest väljapoole; õpitud prior saab andmetele peale suruda koolituskogumi geoloogia (tootes "usutavaks" olematu struktuuri); otsene järeldus võib selle usaldust üle hinnata.
Näpunäide. Enne tehisintellektiga kiirendatud inversiooni tulemuse aktsepteerimist viige saadud mudel läbi tegeliku (füüsilise) edasise modelleerimise ja võrrelge selle toodetud andmeid vaadeldud andmetega. Kui lahendus, mille asendusmudel ütleb "sobib", ei sisalda reaalses füüsikas täheldatud andmeid, on see lahendus kehtetu.
Määramatuse mõõtmine: jaotus, mitte üks mudel
Hea inversiooni väljund ei ole üks mudel, vaid võimalike mudelite perekond. Ebakindluse mõõtmise viisid: mitu jooksu erinevate lähtemudelite, erinevate regulaarsuskaalude ja tõenäosuslike lähenemisviisidega (nt Bayesi inversioon – lähenemisviis, mis annab tulemuse tõenäosusjaotusena; posteriorjaotus). AI võib kiirendada selle jaotuse valimi võtmist (nt genereerides suure hulga võimalikke mudeleid). Eesmärk ei ole öelda, et "maa-alune on selline", vaid "maa-alune on selles vahemikus ja nendes piirkondades sellise enesekindlusega".
Ettevaatust: Mida teravam ja üksikasjalikum inversioonikaart välja näeb, seda rohkem võib see olla sõltuv regulatsiooniotsusest ja eeldusest. Teravus ei ole täpsus. Eristada, milline mudeli piirkond on määratud andmete ja milline eel/reguleerimisega (resolutsioonianalüüs).
Resolutsioon ja tundlikkus
Mitte iga inversioonimudeli iga rakk pole võrdselt usaldusväärne. Tundlikkus on andmete tundlikkus mudeli selle piirkonna suhtes; Piirkonnad, mida andmed ei näe (madal tundlikkus), on täielikult täidetud eeldusega ja ei kanna tegelikku teavet. Tehisintellekt võib selle erinevuse varjata, luues samal ajal kiireid lahendusi. Seetõttu tuleb saadud mudeli kõrvale lisada eraldusvõime/tundlikkuse kaart.
kolm minikarpi
Juhtum 1 – tundidest sekunditeni. Magnetotelluurilise (MT — loodusliku elektromagnetväljaga maa-aluse takistuse mõõtmise meetod) projektis kulus 3D-inversiooniks 9 tundi. Meeskond asendas edasisuunamiskonto puhverserveri võrguga, vähendades stsenaariumide skannimist minutiteks. Kuid nad kasutasid lõplikku mudelit uuesti reaalse füüsikaga ja kinnitasid andmete sobivust; Nad parandasid käsitsi sügavat piirkonda, kus puhverserver oli 3% välja lülitatud.
Juhtum 2 – pealesurutud geoloogia. Karbonaadiväljas kasutati liivakivibasseinidest õpitud eeldust ja inversioon andis siledakihilise struktuuri, kuigi andmed seda ei toetanud. Sentimentide kaart näitas, et see struktuur asus täpselt sügavas piirkonnas, kus andmed ei näinud: struktuur pärines eeldusest, mitte andmetest. Kui eeldust muudeti, muutus mudel realistlikuks.
3. juhtum – teravuse eksitus. Kaks meeskonda lahendasid samad gravitatsiooniandmed. Madala regulaarsusega lahendus tuli terav, kõrge regulaarsusega lahendus sakiline; Mõlemad sobivad andmetega võrdselt. Otsustati nõustuda polüseemiaga ja kaasata reservuaari arvutamisse mõlemad mudelid; Ühe mudeli lukustamine varjab riski.
Neli kopeeritavat malli
1) Pöördlahenduse paigalduskonsultatsioon:
Sinu roll: tagasikäigu spetsialist. Ülesanne: [1D/2D/3D, meetod: MT /seismiline / gravitatsioon]. Selgitage mulle pöördlahenduse halbust; Kuidas tasakaalustada andmete sobivust ja regulaarsust, milliste kriteeriumide (L-kõver, ristvalideerimine) alusel valin regulatsioonikaalu? Kirjutage samm-sammult.
2) Surrogaatmudeli kontrollimine:
Ma kiirendasin edasist modelleerimist tehisintellekti asendusmudeliga. Kuidas määrata parameetrite vahemikku, milles see puhverserver on usaldusväärne? Kuidas tulemust reaalfüüsikaga kinnitada, kuidas jäädvustada piirkonda, kus puhverserver kaldub kõrvale? Soovitage autentimisprotokolli.
3) Määramatuse uurimine:
Minu pöördlahendus andis ühe mustri. Kuidas kasutada erinevaid lähtemudeleid, erinevaid regulaarsuskaalusid ja tõenäosuslikku valimit määramatuse sisseviimiseks? Kuidas esitada tulemuseks "mudelite perekond + usaldusvahemik", mitte "üks mudel"?
4) Eraldusvõime eraldamine:
Tahan eraldada, milline minu inversioonimudeli piirkond on määratud andmetega ja milline eeldus/regulaarsus. Kuidas seadistada tundlikkuse/eraldusvõime analüüsi ja märkida aruandesse madala tundlikkusega alad?
Nõrk viip / Tugev viip
Nõrk viip:
Lahendage need andmed vastupidiselt ja andke maa-alune mudel.
Üks modell ootab; See varjab ebaselgust ja ebaselgust, mille tulemuseks on karm, kuid vastuvõetamatu järeldus.
Võimas viip:
Sinu roll: tagasikäigu spetsialist. Andmed: [gravitatsiooniprofiil + 2 kaevu tihedus]. Ülesanne: (1) koostada võrdlusmudel, tasakaalustades andmete sobivuse reguleerimist; (2) muutke reguleerimise kaalu, et tuletada vähemalt kolm alternatiivset mudelit ja näidata, et need kõik sobivad andmetega; (3) milline iga mudeli piirkond on määratud andmete ja milline eeldusega. Ärge esitage tulemust ühe õige mudelina; Andke määramatuse vahemikuga.
Nõudlus alternatiivsete mudelite, andmete sobivuse ja eraldusvõime eraldamise järele muudab pöördlahenduse ausaks.
Inversioon läheneb
Lähenemine
kiirust
Peamine risk
kontrollimine
Klassikaline iteratiiv
aeglane
kohalik miinimum
mitmekordne start
asendusmudel
väga kiire
vahemikust väljas hälve
Tõelise füüsika poolt kinnitatud
õpitud eeldus
kiire
geoloogia pealesurumine
Tundlikkuse kaart
Bayesi/tõenäosuslik
keskmine
Konto kulu
Tagumine jaotus
Levinud vead
- Mõeldes, et ainus mudel on tõeline. Pöördlahendus on väga mõttekas; Loo alternatiive.
- Surrogaatmudeli pimesi omaksvõtmine. Ärge lõpetage tulemust kinnitamata tegeliku ettepoole modelleerimisega.
- Ei sea eeldust kahtluse alla. Õpitud eeldus võib tekitada struktuuri, mida andmed ei toeta.
- Segades teravust täpsusega. Üksikasjad sõltuvad reguleerimisotsusest.
- Resolutsiooni peitmine. Ärge esitage madala tundlikkusega piirkondi faktilise teabena.
Kokkuvõttes
Inversioon on geofüüsikas üleminekuetapp andmetelt mudelile ja on oma olemuselt halvasti püstitatud polüseemne probleem. AI; Asendusmudelid kiirendavad seda protsessi dramaatiliselt, kasutades õpitud eelarvamusi ja otseseid järeldusi. Kuid iga kiirendusega kaasneb uus risk: vahemikuväline triiv, pealesurutud geoloogia, liialdatud enesekindlus. Õige kasutamine; alternatiivsete mudelite genereerimine, tegeliku füüsikaga kinnitamine, määramatuse jaotusena esitamine ja eraldusvõime eraldamine. Pöördlahenduse väljund ei ole üksainus tõde, vaid enesekindlalt piiratud mudelite perekond.
Rakenduse ülesanne
Valige inversiooniprobleem (1D-takistus, gravitatsiooniprofiil jne). Planeerige andmete vastavuse ja reguleerimise kompromiss malliga „Pööratud lahenduse seadistamise konsultatsioon”. Seejärel looge protseduur vähemalt kolme alternatiivse mudeli genereerimiseks malliga "Ebakindluse uurimine" ja võrdlemiseks andmete sobivusega. Kirjutage, kuidas eristaksite, milline piirkond on määratud andmete ja milline eeldusega.
kontrollnimekiri
- [ ] Leidsin teadlikult tasakaalu andmete vastavuse ja seadustamise vahel.
- [ ] Koostasin vähemalt kolm alternatiivset mudelit ja võrdlesin nende sobivust andmetega.
- [ ] Kinnitasin surrogaadi/AI kiirenduse reaalse füüsikaga.
- [ ] Näitasin andmete ja eelduste eraldamist eraldusvõime/tundlikkuse kaardiga.
- [ ] Esitasin tulemuse määramatuse vahemikuga, mitte ühe mudeliga.