Nyereség:
- Megérteni az inverzió rosszindulatú és poliszém jellegét, valamint az adatillesztés és a szabályosítás közötti egyensúlyt.
- Képes a mesterséges intelligencia gyorsításának érvényesítésére (helyettesítő modell, tanult előzetes) valódi előrehaladó modellezéssel, és felismeri az előírt geológiát
- Képes az eredményt bizonytalansági eloszlásként jelenteni, nem pedig egyetlen modellként, és megmutatni a felbontást/érzékenységet és az adat-előzetes szétválasztást
A geofizika legmélyebb kérdése: melyik felszín alatti modell állítja elő azokat az adatokat, amelyeket a felszínen mérek? A kérdés megválaszolását inverziónak nevezzük. Míg a forward modellezés egy ismert felszín alatti modellből számítja ki a várható adatokat, az inverz modellezés ennek az ellenkezőjét teszi: a megfigyelt adatokból becsüli meg a felszín alatti modellt. Ebben az egységben megtudhatja, hogyan gyorsítja fel a mesterséges intelligencia (AI) az inverziót, és a helyettesítő modellekkel órák helyett másodperceket vesz igénybe; de látni fogjuk, hogy az AI-kimenet miért nem tekinthető „egy igaz modellnek” az inverzió eredendő poliszémiája és kétértelműsége miatt.
Az inverz megoldás fundamentális feszültsége
Az inverzió nem jóindulatú probléma; Ez egy rosszul feltett probléma: lehet, hogy nincs megoldása, több is lehet, vagy egy kis zaj az adatokban nagy változást okozhat a modellben. Ezért az inverzió két erőt egyensúlyoz ki: az adatok hibás illeszkedését (milyen közel állnak a modell által előállított adatok a megfigyelt adatokhoz) és a regularizációt (egy "valószínűségi" megszorítást ad hozzá a modellhez, például a referenciamodell simaságát vagy közelségét). A túl sok adatillesztés is zajt visz a modellbe; a túl sok rendszeresítés törli a valódi struktúrát. Ennek az egyensúlynak a beállítása (pl. szabályzási súly lambda) a teljes értelmezést érinti.
Hogyan gyorsítja fel az AI az inverziót?
A klasszikus inverzió iteratív módon frissíti a modellt azáltal, hogy a modellezést előre futja száztól ezerig; 3D elektromágneses vagy teljes hullámforma inverzió esetén ez óráktól napokig tarthat. Az AI háromféleképpen gyorsul:
- Helyettesítő modell (helyettesítő/emulátor): A ciklus lerövidítése a nehéz előrehaladás számításának gyors előre betanított neurális hálózattal való közelítésével.
- Előzetesen tanult: A realisztikus geológiai modellekből tanult "valószínűségi" megszorítás használata a rendszerezés helyett.
- Közvetlen következtetés (végponttól végpontig): Azonnali előrejelzés olyan hálózatokkal, amelyek megtanulják a közvetlen leképezést az adatokról a modellekre (például egyes 1D-s inverziókban).
Mindegyik növeli a sebességet, de mindegyik új kockázatot rejt magában: a helyettesítő modell az edzési tartományon kívül esik; a tanult prior rákényszerítheti az adatokra a képzési halmaz geológiáját (nem létező szerkezetet állítva elő „hihetőnek”); a közvetlen következtetés túlbecsülheti annak bizalmát.
Tipp: Mielőtt elfogadná a mesterséges intelligencia által gyorsított inverzió eredményét, tegye át az eredményül kapott modellt tényleges (fizikai) előremutató modellezésen, és hasonlítsa össze az általa előállított adatokat a megfigyelt adatokkal. Ha egy megoldás, amelyre a helyettesítő modell szerint "illeszt", nem tartalmazza a valós fizikában megfigyelt adatokat, akkor ez a megoldás érvénytelen.
A bizonytalanság mérése: eloszlás, nem egyedi modell
A jó inverzió eredménye nem egyetlen modell, hanem lehetséges modellek családja. A bizonytalanság mérésének módjai: több futtatás különböző kiindulási modellekkel, eltérő regularizációs súlyokkal és valószínűségi megközelítésekkel (pl. Bayes-inverzió – olyan megközelítés, amely valószínűségi eloszlásként adja meg az eredményt; utólagos eloszlás). Az AI felgyorsíthatja a mintavételezést ebben az eloszlásban (például nagyszámú lehetséges modell létrehozásával). Nem az a cél, hogy „ilyen a földalatti”, hanem „ilyen magabiztosan ilyen a földalatti ebben a körben és ezekben a régiókban”.
Vigyázat: Minél élesebbnek és részletesebbnek tűnik egy inverziós térkép, annál jobban függhet a legalizálási döntéstől és premisszától. Az élesség nem pontosság. Megkülönböztetni, hogy a modell melyik régióját határozzák meg az adatok, és melyiket az előzetes/regularizálás (felbontás elemzés).
Felbontás és érzékenység
Nem minden inverziós modell minden cellája egyformán megbízható. Az érzékenység azt jelenti, hogy az adatok mennyire érzékenyek a modell adott régiójára; Azokat a régiókat, amelyeket az adatok nem „látnak” (alacsony érzékenység), teljesen kitölti az előfeltétel, és nem hordoznak valódi információt. Az AI elfedheti ezt a különbséget, miközben gyors megoldásokat hoz létre. Ezért a kapott modell mellé fel kell tüntetni egy felbontás/érzékenység térképet.
három mini tok
1. eset – óráktól másodpercekig. Egy magnetotellurikus (MT – földalatti ellenállás mérésének módszere természetes elektromágneses térrel) projektben a 3D inverziós futtatás 9 órát vett igénybe. A csapat a továbbított fiókot proxyhálózatra cserélte, percekre csökkentve a forgatókönyv-ellenőrzést. De újra lefuttatták a végső modellt valós fizikával és megerősített adatokkal; Manuálisan korrigáltak egy mély régiót, ahol a proxy 3%-kal le volt kapcsolva.
2. eset – Kötelezett geológia. A homokkőmedencékből tanult premisszát karbonátmezőben alkalmazták, és az inverzió sima rétegű szerkezetet hozott létre, bár az adatok ezt nem támasztották alá. A hangulattérkép azt mutatta, hogy ez a struktúra pontosan abban a mély régióban van, ahol az adatok nem láttak: a struktúra a premisszából származik, nem az adatokból. Amikor a premisszát megváltoztatták, a modell reálissá vált.
3. eset – Tévedés az élességben. Két csapat fordítottan oldotta meg ugyanazokat a gravitációs adatokat. Az alacsony regularizációs megoldás élesen, a nagy regularizációjú megoldás szaggatottan jött ki; Mindkettő egyformán illeszkedik az adatokhoz. A döntés az volt, hogy elfogadjuk a poliszémiát, és mindkét modellt bevonjuk a tározószámításba; Az egyik modellben való zárolás elrejti a kockázatot.
Négy másolható sablon
1) Fordított megoldás telepítési tanácsadás:
Az Ön szerepe: visszafordítási szakember. Probléma: [1D/2D/3D, módszer: MT /szeizmikus / gravitáció]. Magyarázd meg nekem az inverz megoldás rossz helyzetét; Hogyan tudom egyensúlyba hozni az adatillesztést és a regularizációt, milyen szempontok (L-görbe, keresztellenőrzés) alapján választom meg a regularizációs súlyt? Írj lépésről lépésre.
2) Helyettesítő modell ellenőrzése:
Felgyorsítottam az előrehaladó modellezést egy AI helyettesítő modellel. Hogyan határozhatom meg azt a paramétertartományt, amelyen belül ez a proxy megbízható? Hogyan erősíthetem meg az eredményt valós fizikával, hogyan rögzíthetem azt a régiót, ahol a proxy eltér? Javasoljon hitelesítési protokollt.
3) Bizonytalanság feltárása:
Az inverz megoldásom egyetlen mintát adott. Hogyan használhatok különböző kiindulási modelleket, eltérő regularizációs súlyokat és valószínűségi mintavételt a bizonytalanság bevezetésére? Hogyan jelenthetem az eredményt "modellcsalád + konfidenciaintervallum" az "egyetlen modell" helyett?
4) Felbontás szétválasztás:
El szeretném különíteni, hogy az inverziós modellem melyik régióját határozza meg az adatok és melyiket a premissza/regularizáció. Hogyan állíthatom be az érzékenység/felbontás elemzését, és hogyan jelölhetem meg az alacsony érzékenységű területeket a jelentésben?
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Fordítva oldja meg ezeket az adatokat, és adja meg a földalatti modellt.
Egy modell vár; Kétértelműséget és kétértelműséget takar, ami éles, de tarthatatlan következtetést eredményez.
Erőteljes felszólítás:
Az Ön szerepe: visszafordítási szakember. Adatok: [gravitációs profil + 2 kút sűrűsége]. Feladat: (1) készítsünk referenciamodellt az adatok illeszkedésének-szabályozásának kiegyensúlyozásával; (2) változtassa meg a regularizációs súlyt, hogy legalább három alternatív modellt származtasson, és mutassa meg, hogy mindegyik illeszkedik az adatokhoz; (3) az egyes modellek melyik régióját határozzák meg az adatok és melyiket a premisszája. Ne jelenítse meg az eredményt egyetlen helyes modellként; Adja meg a bizonytalansági tartományt.
Az alternatív modellek, az adatillesztés és a felbontás szerinti szétválasztás iránti igény őszintevé teszi az inverz megoldást.
Inverziós megközelítések
Megközelítés
sebesség
Fő kockázat
ellenőrzése
Klasszikus iteratív
lassú
helyi minimum
többszörös indítás
helyettesítő modell
nagyon gyors
tartományon kívüli eltérés
A valódi fizika megerősítette
tanult feltevést
gyors
geológiai kivetés
Érzékenységi térkép
Bayesi/valószínűségi
közepes
Számlaköltség
Utólagos eloszlás
Gyakori hibák
- Azt gondolva, hogy az egyetlen modell valódi. Az inverz megoldásnak sok értelme van; Alternatívák generálása.
- Vakon átvéve a helyettesítő modellt. Ne fejezze be anélkül, hogy megerősítette volna az eredményt tényleges előremenő modellezéssel.
- Nem kérdőjelezi meg az előfeltételt. A tanult premissza olyan struktúrát hozhat létre, amelyet az adatok nem támasztanak alá.
- Az élesség és a pontosság összetévesztése. A részletezés a szabályozási döntéstől függ.
- A felbontás elrejtése. Ne jelenítse meg az alacsony érzékenységű területeket tényszerű információként.
Összefoglalva
Az inverzió a geofizika átmenete az adatokról a modellekre, és eredendően rosszul felállított, poliszém probléma. AI; A helyettesítő modellek drámaian felgyorsítják ezt a folyamatot tanult előzmények és közvetlen következtetések segítségével. De minden gyorsulás új kockázatot rejt magában: a hatótávolságon kívüli sodródást, az erőltetett geológiát, a túlzott magabiztosságot. helyes használat; alternatív modellek generálása, valós fizikával való megerősítés, a bizonytalanság eloszlásként való jelentése és a felbontás elkülönítése. Az inverz megoldás eredménye nem egyetlen igazság, hanem magabiztosan behatárolt modellek családja.
Pályázati feladat
Válasszon egy inverziós problémát (1D ellenállás, gravitációs profil stb.). Tervezze meg az adatmegfelelés-szabályozás kompromisszumát a „Reversal Solution setup konzultáció” sablon segítségével. Ezután hozzon létre egy eljárást legalább három alternatív modell létrehozásához a „Bizonytalanság feltárása” sablonnal, és összehasonlítsa azokat az adatokhoz való illeszkedéssel. Írd le, hogyan különböztetnéd meg, hogy melyik régiót határozzák meg az adatok, és melyiket a premissza!
ellenőrző lista
- [ ] Tudatosan megtaláltam az egyensúlyt az adatok megfelelősége és a rendszeresség között.
- [ ] Legalább három alternatív modellt készítettem, és összehasonlítottam azok illeszkedését az adatokhoz.
- [ ] Megerősítettem a Surrogate/AI gyorsulást valós fizikával.
- [ ] Megmutattam az adat-premissza szétválasztást a felbontás/érzékenység térképpel.
- [ ] Az eredményt a bizonytalansági tartománnyal közöltem, nem egy modellel.