עיבוד נתונים סיסמיים: דיכוי רעש, דה-קונבולוציה ובינה מלאכותית

רווחים:

• יכולת לשלוט בדיכוי רעש מבוסס בינה מלאכותית עם עלילת הבדלים ולמנוע מחיקת השתקפות חלשה אך אמיתית
• היכולת לזהות את הסיכון של דה-קונבולוציה לייצר רזולוציה כוזבת ואת המלכודת של אינטרפולציה עקבות יצירת מבני רפאים ולעקוב אחריהם עם מסכה
• יכולת לאמת תוקף פיזי על ידי חיבור תוצאות עיבוד עם קשר באר

מה שאתה רואה כשאתה פותח תיעוד סיסמי גולמי הוא רק לעתים נדירות "תמונה של תת הקרקע". במקום זאת, אתה רואה תערובת מורכבת: האות בפועל המוחזר מתת-קרקע, גלי שטח, רעש אקראי, השתקפויות מרובות ועיוותים מובנים של ההקלטה. עיבוד נתונים סיסמיים הוא תהליך שלב אחר שלב של ניקוי, יישור והפיכת הרשומה הגולמית הזו לתמונה הניתנת לפירוש של המחתרת. ביחידה זו, נסביר כיצד בינה מלאכותית (AI) היא מאיץ רב עוצמה לתהליך זה, במיוחד בשלבים כגון דה-נוז, דה-קונבולוציה ומילוי עקבות חסר; אבל נראה מדוע החלטות פרמטר ותוקף פיזי עדיין נשארות בידי המומחה.

אנטומיה של נתונים סיסמיים

נתחיל עם מילון מונחים קצר. עקבות היא סדרת משרעת תלוית זמן שנרשמה על ידי מקלט יחיד. כאשר עקבות רבים מתאחדים, נוצר קטע. מרווח הדגימה הוא הזמן בין שני ערכי משרעת עוקבים (למשל 2 אלפיות השנייה). ההשתקפויות בפועל בתוך האות נובעות מהפרש העכבה האקוסטית של גבולות השכבה בתת הקרקע; מטרת העיבוד היא להפריד את ההשתקפויות הללו מהרעש ולמקם אותם במיקום הזמן-מרחב הנכון.

רעש מגיע בשני סוגים עיקריים: רעש אקראי (לא קוהרנטי, בלתי תלוי במסלולים) ורעש קוהרנטי (רעש קוהרנטי - רגיל, חזק, המסווה את האות, כגון גלי שטח/גלגול קרקע). שיטות מבוססות בינה מלאכותית הן לרוב גמישות יותר ממסננים מסורתיים בהפרדה בין שני הסוגים הללו מכיוון שהן משתמשות באפליה מורכבת הנלמדת מדגימות ולא בחלון מהירות תדר קבוע.

דיכוי רעש עם AI

דיכוי רעש קלאסי נעשה באמצעות מסננים המבוססים על תדר, מהירות (מסנן f-k) או סטטיסטיקה. מדכאי רעש מבוססי בינה מלאכותית (בעיקר רשתות עצביות קונבולוציוניות, בקיצור CNN; רשתות שלומדות דפוסים מקומיים בנתונים דמויי תמונה) לומדים מצמדי דוגמאות של "קלט רועש → פלט נקי". היתרון שלו: הוא יכול לעשות הבחנה תלוית הקשר במקום כלל קבוע בעת הפרדת אות לרעש. סיכון: הנטייה למחוק את האות או להשאיר את הרעש כאות כאשר נתקלים בסוג רעש שאינו בנתוני האימון.

הסכנה הקריטית ביותר היא זו: מדכא רעש AI אגרסיבי יכול לטעות בהשתקפות חלשה אך אמיתית לרעש ולחסל אותו. אז כלל הזהב: הקפד לראות את ההבדל (הרכיב שהוסר) לפני ואחרי דיכוי רעשים. אם אתה רואה דפוס השתקפות עקבי בחלק שהוסר, המסנן אוכל אות.

טיפ: שרטו את שכבת ה"רעש" המופקת על ידי מדכא הרעשים YZ כפרוסה נפרדת (עלילת הבדל). שאריות של מדכא טוב מופיעות באופן אקראי; אם יש בו השתקפויות מלוכסנות ומתמשכות, המסנן אגרסיבי מדי וצריך לרכך את הפרמטר.

Deconvolution: החזרת חתימת המקור

דה-קונבולוציה היא התהליך המנסה לחשוף את סדרת ההחזר האמיתית של תת הקרקע על ידי הפחתת חתימת הגל של המקור (גל מקור - צורת הגל המופקת על ידי הפיצוץ/רטט) מהעקיבה המתועדת. המטרה היא להגביר את הרזולוציה ולדכא השתקפויות מרובות. בינה מלאכותית יכולה לשפר את הערכת הגל ואת החוסן לרעש בדה-קונבולוציה; עם זאת, אם דיקון מופעל בצורה מוגזמת, הוא יגביר רעש בתדר גבוה ויפיק רזולוציה מזויפת. AI הוא מנוע המלצות גם כאן; בחירת הפרמטרים הסופית (אורך מפעיל הדקון, הלבנה מוקדמת) מכוילת במומחיות בהתאם לאופי הפיזי של העקבות.

אינטרפולציה לא מלאה של עקבות ודגימה קבועה

חלק מהקולטים נכשלים בשטח, חלק מהקווים נאספים בצורה לא מלאה; כתוצאה מכך נוצרים פערים בנתונים. אינטרפולציה מבוססת בינה מלאכותית (מילוי עקבות חסרות על ידי למידה מהשכנים) שימושית מאוד בהשגת רשת רגילה לפני ההגירה. עם זאת, העקיבה המלאה היא אומדן, לא מדידה; אין להתייחס לעקבות אלו במשקל שווה לנתונים האמיתיים בפרשנות, אלא יש לסמן בנפרד בפלט.

זהירות: אם עקבות שנוצרו על ידי אינטרפולציה ממשיכות כ"נתונים אמיתיים" בשלבים הבאים, הם עלולים להוביל ליצירת מבנה לא קיים. עקבו אחר התאים המלאים בעזרת מסכה; אם מבנה קריטי מופיע רק באזור האינטרפולציה, אל תסמוך עליו.

שלושה מיני תיקים

מקרה 1 - גלגול קרקע ללמידה ברשת. בסיסמיקה יבשתית, גלי שטח חזקים (גלגול קרקע) הסתירו את האות. הצוות השתמש בדיכוי רעש של CNN שלמד מ-800 הקלטות שניקו ביד; זמן העיבוד ירד מ-12 דקות ל-40 שניות לרשומה. הצוות בדק ידנית 5% הקלטות מכל אצווה ואישר שלא היה אובדן אות עם עלילת הבדל.

מקרה 2 - השתקפות חלשה נמחקה. בפרויקט אחר, מדכא YZ מכוון באגרסיביות טעה בהשתקפות מאגר חלשה אך אמיתית ב-2.4 שניות כרעש ומחק אותה. ההבדל התברר רק כאשר נוצר הקשר הסייסמי של הבאר: השכבה הברורה בבאר לא הייתה קיימת בחתך. כאשר הפרמטר הוחלק ועובד מחדש, ההשתקפות חזרה.

מקרה 3 - רוח הרפאים של האינטרפולציה. בנפח תלת-ממדי שבו מילאו שורות חסרות על ידי AI, הפרשן הבחין במבנה ערוץ עדין. כשהסתכל על מסכת המילוי, הוא ראה שהתעלה נפלה בדיוק לתוך החלל המשולב. כשנאספו נתוני שטח נוספים, התברר שהערוץ לא היה שם, אלא תבנית שהופקה מהתחזית.

ארבע תבניות הניתנות להעתקה

1) סקיצת זרימת עיבוד:

תפקידך: מומחה לעיבוד סיסמיים. נתונים: [יבשה/ים, 2D/3D, דגימה 2 ms, יעד 1-4 ק"מ]. תאר לי זרימת עיבוד שלב אחר שלב (עיבוד מקדים → דיכוי רעש → דקון → ניתוח מהירות → הגירה). בכל שלב, רשום איזו החלטה דורשת פרמטרים ומה עלי לחפש בבחירת הפרמטר הזה.

2) תוכנית בקרת דיכוי רעש:

הנחתי מדכא רעש בינה מלאכותית. תן לי רשימת ביקורת: מה עלי לחפש בחלקת ההבדלים, איך מזהה אובדן אות, איזה מדד עלי להשוות לפני/אחרי, איזה קצב הקלטה עלי לבדוק ידנית? כתוב קצר ומעשי.

3) ייעוץ בפרמטרים של Deconvolution:

תפקידך: יועץ עיבוד. אני מחיל דקונבולציה ורעש בתדר גבוה מוגבר. הסבירו סיבות אפשריות, אורך המפעיל וההשפעה של הגדרת ההלבנה מראש. איך אני יודע אם דקו מוגזם מייצר רזולוציה שגויה? תנו נימוקים לכל הצעה.

4) מעקב מסיכת אינטרפולציה:

מילאתי את העקבות החסרות עם AI. ספר לי כיצד לשמור את התאים המלאים מסומנים בשלבים הבאים, כיצד להפריד את ההערה מהנתונים בפועל, וכיצד לבטל את "המבנה הנראה רק באזור המשולב".

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

נקה את הרעש ביעילות סיסמית, ספר את ההגדרה הטובה ביותר.

"ההגדרה הטובה ביותר" אינה קיימת ללא תלות בנתונים; AI נותן המלצה כללית, בלתי נשלטת.

הנחיה עוצמתית:

תפקידך: מומחה לעיבוד סיסמיים. תפוקה: דו-ממד שחור, גלגול חזק (5-12 הרץ), השתקפויות מטרה 20-45 הרץ, דגימה 2 אלפיות השנייה. משימה: להציע גישה לדיכוי רעש, להסביר במונחי קצב תדר איזה רכיב לשמר ואיזה לדכא. איך אני עוקב אחר הסיכון לאובדן אות (מדדי תרשים הבדלים) ועם איזה מדד אני משווה לפני/אחרי? אל תגיד סתם "היכנס להגדרה הזו"; תן קריטריונים להחלטה.

בהתחשב באופי הנתונים, רצועת היעד וקריטריוני הבקרה, הפלט הופך להיות ריאלי באמת.

שלבי עיבוד ותפקיד AI

שלב העיבוד

תרומת AI

סיכון עיקרי

החלטה אנושית

דיכוי רעש אקראי

גבוה

מחק אות חלש

אישור פרמטר

רעש עקבי (גלגול קרקע)

גבוה

דיכוי מוגזם

בקרת עלילת הבדל

דקונבולציה

בינוני

רזולוציה מזויפת

מפעיל/הלבנה

עקבות אחר אינטרפולציה

בינוני

בניין רפאים

מעקב מסכות

ניתוח מהירות

בינוני

הגירה במהירות לא נכונה

אושר על ידי טוב

טעויות נפוצות

• מדכא בלי להסתכל על עלילת ההבדל. לא תבחין באובדן אות עד שתראה את הרכיב שהוסר.
• להגזים עם הדקון. טעות ברעש בתדר גבוה ברזולוציה מייצרת שכבות מזויפות.
• ספור את העקיבה המשולבת כנתונים אמיתיים. השארת תאים מלאים ללא סימון יוצרת מבנה רפאים.
• מסתכלים על מדד אחד. זה יהיה מטעה להסתכל רק על יחס האות לרעש ולהתעלם משימור השתקפות.
• עוקף את קשר הבאר. עוברים לפירוש תוצאת העיבוד מבלי לחבר אותה לנתוני הבאר.

לסיכום

בעיבוד סייסמי, בינה מלאכותית מספקת מהירות גבוהה יותר ולעתים קרובות הפרדה גמישה יותר בדיכוי רעשים, דה-קונבולוציה ואינטרפולציה של עקבות. אבל ישנה מלכודת פיזית בכל שלב: מחיקת אות חלש, הפקת רזולוציה שגויה, יצירת חפצי רפאים. זו הסיבה שפקדים כגון בקרת עלילת הבדלים, קשר טוב ומסכת אינטרפולציה הם הכרחיים. AI מציע פרמטרים; המומחה הוא שמאמת את הפרמטר לפי הפיזיקה של הנתונים והופך את התוצאה לניתנת לפירוש.

משימת יישום

הגדר שלב דיכוי רעש בקטע סיסמי (אמיתי או מדגם). חלץ את הזרימה עם התבנית "מתאר זרימת עיבוד", ולאחר מכן הפק רשימת בדיקה עם התבנית "תוכנית בקרת דיכוי רעשים". השווה את פרוסות לפני/אחרי ואת עלילת ההבדל והעריך במילים שלך אם יש השתקפות עקבית ברכיב שהוסר.

רשימת בדיקה

• [ ] השוויתי לפני/אחרי דיכוי רעשים ועלילת הבדלים.
• [ ] וידאתי שאין אות עקבי ברכיב שהוסר.
• [ ] בדקתי את תוצאת הדקון עבור רזולוציה שגויה.
• [ ] שמרתי את העקבות המשולבות המסומנות במסכה.
• [ ] קשרתי את התוצאה עם נתוני הבאר ( well tie ).