Nyereség:
- Képes a mesterséges intelligencia alapú zajelnyomás szabályozására különbségi ábrázolással, és megakadályozza a gyenge, de valós tükröződés törlését
- Képes felismerni a hamis felbontást produkáló dekonvolúció és a szellemstruktúrákat létrehozó nyominterpoláció csapdáját, és maszkkal követni őket
- Lehetőség a fizikai érvényesség ellenőrzésére a feldolgozási eredmények és a kútkötés összekapcsolásával
Amit látsz, amikor megnyit egy nyers szeizmikus rekordot, az ritkán a "felszín alatti kép". Ehelyett egy összetett keveréket látunk: a föld alatti tényleges jelet, felszíni hullámokat, véletlenszerű zajt, többszörös visszaverődést és a felvétel eredendő torzulásait. A szeizmikus adatfeldolgozás az a folyamat, amely lépésről lépésre megtisztítja, összehangolja és átalakítja ezt a nyers rekordot a földalatti értelmezhető képévé. Ebben a részben elmagyarázzuk, hogy a mesterséges intelligencia (AI) hogyan gyorsítja ezt a folyamatot, különösen olyan lépésekben, mint a zajtalanítás, a dekonvolúció és a hiányzó nyomok kitöltése; de látni fogjuk, hogy a paraméterekkel és a fizikai érvényességgel kapcsolatos döntések miért maradnak továbbra is a szakértőnél.
A szeizmikus adatok anatómiája
Kezdjük egy rövid szószedettel. A nyomkövetés egyetlen vevő által rögzített időfüggő amplitúdósorozat. Ha sok nyom összeér, egy szakasz keletkezik. A mintavételi intervallum két egymást követő amplitúdóérték közötti idő (pl. 2 ms). A jelen belüli tényleges visszaverődések a felszín alatti réteghatárok akusztikus impedancia-különbségéből származnak; A feldolgozás célja, hogy ezeket a visszaverődéseket a zajtól elkülönítse, és a megfelelő idő-tér helyre helyezze.
A zajnak két fő típusa van: véletlenszerű zaj (inkoherens, sávoktól független) és koherens zaj (koherens zaj – szabályos, erős, elfedi a jelet, például felszíni hullámok/gördülés). Az AI-alapú módszerek gyakran rugalmasabbak, mint a hagyományos szűrők e két típus elkülönítésében, mivel a mintákból tanult komplex megkülönböztetést alkalmazzák, nem pedig egy rögzített frekvencia-sebességű ablakot.
Zajcsökkentés AI-val
A klasszikus zajelnyomást frekvencia, sebesség (f-k szűrő) vagy statisztikák alapján szűrőkkel végzik. A mesterséges intelligencia alapú zajcsillapítók (többnyire konvolúciós neurális hálózatok, röviden CNN; azok a hálózatok, amelyek képszerű adatokban tanulják meg a helyi mintákat) a "zajos bemenet → tiszta kimenet" mintapárokból tanulnak. Előnye: a jel és a zaj szétválasztásakor a rögzített szabály helyett környezetérzékeny megkülönböztetést tud tenni. Kockázat: hajlamos a jel törlésére vagy a zaj jelként hagyására, ha olyan zajtípussal találkozunk, amely nem szerepel a képzési adatokban.
A legkritikusabb veszély a következő: egy agresszív mesterséges intelligencia zajcsillapító összetévesztheti a halvány, de valós tükröződést zajjal, és megszüntetheti azt. Tehát az aranyszabály: feltétlenül nézze meg a különbséget (eltávolított alkatrész) a zajelnyomás előtt és után. Ha konzisztens visszaverődési mintát lát az eltávolított részben, akkor a szűrő jelet eszik.
Tipp: Az YZ zajcsillapító által keltett "zaj" réteget ábrázolja külön szeletként (különbségdiagram). A jó represszor maradéka véletlenszerűen jelenik meg; Ha ferde, folyamatos visszaverődések vannak benne, akkor a szűrő túl agresszív, és lágyítani kell a paramétert.
Dekonvolúció: a forrás aláírás visszaszerzése
A dekonvolúció az a folyamat, amely megkísérli felfedni a felszín alatti valódi reflexiós sorozatot úgy, hogy a rögzített nyomvonalból kivonja a forrás wavelet aláírását (forráshullám – a robbanás/vibrátor által keltett hullámforma). A cél a felbontás növelése és a többszörös visszaverődés elnyomása. A mesterséges intelligencia javíthatja a wavelet becslését és a zaj robusztusságát a dekonvolúció során; Ha azonban a dekont túlzottan alkalmazzák, az felerősíti a nagyfrekvenciás zajt, és hamis felbontást produkál. Az AI itt is egy ajánlómotor; A végső paraméterválasztás (decon operátor hossza, előfehérítés) szakszerűen kalibrált a nyomok fizikai jellegének megfelelően.
Hiányos nyomkövetési interpoláció és rendszeres mintavétel
Néhány vevő meghibásodik a terepen, néhány vonal hiányos; Ennek eredményeként hiányosságok keletkeznek az adatokban. A mesterséges intelligencia alapú interpoláció (a hiányzó nyomok kitöltése a szomszédoktól való tanulással) nagyon hasznos a szabályos rács megszerzésében az átállás előtt. A kitöltött nyom azonban becslés, nem mérés; Ezeket a nyomokat nem szabad egyenlő súllyal kezelni a valós adatokkal az értelmezésben, hanem külön jelölni kell a kimenetben.
Vigyázat: Ha az interpolációval előállított nyomok a következő lépésekben "valódi adatként" folytatódnak, akkor nem létező struktúra létrehozásához vezethetnek. Kövesse nyomon a kitöltött sejteket maszkkal; Ha egy kritikus struktúra csak az interpolált tartományban jelenik meg, ne bízzon benne.
három mini tok
1. eset – Network learning ground roll. Szárazföldi szeizmikus körülmények között erős felszíni hullámok (földgördülés) takarták el a jelet. A csapat egy CNN zajcsillapítót használt, amely 800 kézzel tisztított felvételből tanult; a feldolgozási idő rekordonként 12 percről 40 másodpercre csökkent. A csapat manuálisan ellenőrizte a felvételek 5%-át minden kötegből, és megerősítette, hogy nincs jelveszteség a különbség görbével.
2. eset – A gyenge tükrözés törölve. Egy másik projektben egy agresszíven hangolt YZ-csillapító 2,4 másodpercnél halvány, de valós tartályvisszaverődést tévesztett össze a zajjal, és törölte azt. A különbség csak akkor derült ki, amikor a kútszeizmikus kötés létrejött: a kút tiszta rétege nem volt jelen a szakaszon. A paraméter simítása és újrafeldolgozása után a tükrözés visszatért.
3. eset – Az interpoláció szelleme. Egy 3D-s kötetben, ahol a hiányzó sorokat mesterséges intelligencia töltötte ki, a kommentátor finom csatornastruktúrát vett észre. A kitöltőmaszkot nézve látta, hogy a csatorna pontosan az interpolált térbe esik. Amikor további terepi adatokat gyűjtöttünk, világossá vált, hogy nem a csatorna van, hanem az előrejelzés által generált minta.
Négy másolható sablon
1) Feldolgozási folyamat vázlata:
Az Ön szerepe: szeizmikus feldolgozási szakember. Adatok: [szárazföld/tenger, 2D/3D, mintavétel 2 ms, cél 1-4 km]. Vázoljon fel egy lépésről lépésre feldolgozási folyamatot (előfeldolgozás → zajelnyomás → dekonverzió → sebességelemzés → migráció). MINDEN lépésben írja le, hogy melyik döntéshez szükséges paraméterek, és mire kell figyelnem a paraméter kiválasztásakor.
2) Zajcsökkentési terv:
AI zajcsillapítót alkalmaztam. Adj egy ellenőrzési ellenőrzőlistát: mit kell keresnem a különbség diagramon, hogyan ismerhetem fel a jelveszteséget, milyen mérőszámot kell összehasonlítani előtte/utána, milyen felvételi sebességet kell manuálisan ellenőriznem? Írj röviden és gyakorlatiasan.
3) A dekonvolúciós paraméterek konzultációja:
Az Ön szerepe: feldolgozási tanácsadó. Alkalmazom a dekonvolúciót és a nagyfrekvenciás zajnövelést. Ismertesse a lehetséges okokat, a kezelő hosszát és az előfehérítési beállítás hatását. Honnan tudhatom, hogy a túlzott deko hamis felbontást eredményez? Minden javaslatot indokoljon.
4) Interpolációs maszk követése:
A hiányzó nyomokat AI-val pótoltam. Mondja el, hogyan tartsam megjelölve a kitöltött cellákat a következő lépésekben, hogyan válasszam el a megjegyzést a tényleges adatoktól, és hogyan lehet megszüntetni a "csak az interpolált régióban látható struktúrát".
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Törölje a zajt a szeizmikus hatékonyságban, mondja meg a legjobb beállítást.
A „legjobb beállítás” nem létezik adatoktól függetlenül; Az AI általános, ellenőrizhetetlen ajánlást ad.
Erőteljes felszólítás:
Az Ön szerepe: szeizmikus feldolgozási szakember. Hozam: fekete 2D, erős talajhenger (5-12 Hz), célreflexiók 20-45 Hz, mintavételezés 2 ms. Feladat: javasoljon egy megközelítést a zajelnyomásra, magyarázza el frekvencia-frekvencia kifejezésekkel, hogy melyik komponenst kell megőrizni és melyiket kell elnyomni. Hogyan figyelhetem meg a jelvesztés kockázatát (differenceplot metrikák), és milyen mérőszámmal hasonlítsam össze előtte/utána? Ne csak azt mondja, hogy „adja meg ezt a beállítást”; Adja meg a döntési kritériumokat.
Az adatkarakter, a célsáv és a vezérlési kritériumok alapján a kimenet valóban megvalósíthatóvá válik.
A feldolgozás lépései és az AI szerepkör
Feldolgozási lépés
AI hozzájárulás
Fő kockázat
emberi döntés
Véletlenszerű zajelnyomás
magas
Gyenge jel törlése
Paraméter megerősítése
Egyenletes zaj (gördülés)
magas
túlzott elnyomás
Különbség ábrázolás vezérlése
dekonvolúció
közepes
hamis felbontás
Kezelő/fehérítés
Nyom-interpoláció
közepes
szellem épület
Maszk követés
Sebességelemzés
közepes
Rossz sebességű migráció
Jól megerősítve
Gyakori hibák
- Elnyomni anélkül, hogy megnéznénk a különbséget. Addig nem vesz észre jelveszteséget, amíg meg nem látja az eltávolított alkatrészt.
- A dekon túlzása. A nagyfrekvenciás zaj összetévesztése a felbontással hamis rétegeket eredményez.
- Az interpolált nyomkövetést valós adatnak számítjuk. Ha a kitöltött cellákat jelöletlenül hagyja, szellemszerkezet jön létre.
- Egy mérőszámot nézve. Félrevezető lenne csak a jel-zaj arányt nézni, és figyelmen kívül hagyni a visszaverődés megőrzését.
- A kútkötő megkerülése. Tovább a feldolgozási eredmény értelmezésére anélkül, hogy a kútadatokhoz kapcsolnánk.
Összefoglalva
A szeizmikus feldolgozás során az AI nagyobb sebességet és gyakran rugalmasabb szétválasztást biztosít a zajelnyomás, a dekonvolúció és a nyomkövetési interpoláció terén. De minden lépésnél van egy fizikai buktató: a gyenge jel törlése, hamis felbontás létrehozása, szellemi műtermékek előidézése. Ezért nélkülözhetetlenek az olyan vezérlők, mint a különbségi ábrázolás vezérlése, a kútkötés és az interpolációs maszk. Az AI paramétereket javasol; A szakértő az, aki az adatok fizikája szerint érvényesíti a paramétert, és értelmezhetővé teszi az eredményt.
Pályázati feladat
Határozzon meg egy zajelnyomási lépést egy szeizmikus szakaszon (valós vagy minta). Bontsa ki az áramlást a „Feldolgozási folyamatvázlat” sablonnal, majd készítsen egy ellenőrzőlistát a „Zajcsökkentési terv” sablonnal. Hasonlítsa össze az előtte/utána szeleteket és a különbség diagramot, és értékelje saját szavaival, hogy van-e konzisztens tükröződés az eltávolított komponensben.
ellenőrző lista
- [ ] Összehasonlítottam a zajelnyomás előtt/után és a különbségi diagramot.
- [ ] Ellenőriztem, hogy nincs-e konzisztens jel az eltávolított komponensben.
- [ ] Ellenőriztem a dekonálás eredményét hamis felbontásra.
- [ ] Az interpolált nyomokat maszkkal jelöltem.
- [ ] Az eredményt összekötöttem a kútadatokkal (kútkötés).