利益:
- 差分プロットを使用して人工知能ベースのノイズ抑制を制御し、弱いが実際の反射が消去されるのを防ぐ機能
- デコンボリューションにより誤った解像度が生成されるリスクと、トレース補間のトラップによりゴースト構造が生成されるリスクを認識し、マスクでそれらを追跡する機能
- 処理結果をウェルタイで結び付けることで物理的妥当性を検証可能
生の地震記録を開いたときに目にするものは、「地下の写真」であることはほとんどありません。代わりに、地下から反射された実際の信号、表面波、ランダム ノイズ、多重反射、録音固有の歪みなど、複雑なミックスが表示されます。地震データ処理は、この生の記録を段階的にクリーニング、調整し、解釈可能な地下の画像に変換するプロセスです。この単元では、特にノイズ除去、デコンボリューション、欠落したトレースの充填などのステップにおいて、人工知能 (AI) がどのようにこのプロセスの強力なアクセラレータであるかを説明します。しかし、パラメータと物理的妥当性の決定が依然として専門家に委ねられている理由がわかります。
地震データの分析
短い用語集から始めましょう。トレースは、単一の受信機によって記録された時間依存の振幅系列です。多くの痕跡が集まるとセクションが形成されます。サンプル間隔は、2 つの連続する振幅値の間の時間です (例: 2 ミリ秒)。信号内の実際の反射は、地下の層境界の音響インピーダンスの違いから発生します。処理の目的は、これらの反射をノイズから分離し、正しい時空間の位置に配置することです。
ノイズには、主に 2 つのタイプがあります。ランダム ノイズ (インコヒーレント、トラックから独立) とコヒーレント ノイズ (コヒーレント ノイズ - 規則的で強い、信号をマスクする表面波/グランド ロールなど)。 AI ベースの手法は、固定の周波数速度ウィンドウではなくサンプルから学習した複雑な識別を使用するため、これら 2 つのタイプを分離する際に従来のフィルターよりも柔軟であることがよくあります。
AIによるノイズ抑制
従来のノイズ抑制は、周波数、速度 (f-k フィルター)、または統計に基づくフィルターを使用して行われます。 AI ベースのノイズ サプレッサー (主に畳み込みニューラル ネットワーク、略して CNN、画像のようなデータの局所パターンを学習するネットワーク) は、「ノイズの多い入力 → クリーンな出力」サンプル ペアから学習します。その利点は、信号をノイズから分離するときに、固定ルールではなく状況に応じて区別できることです。リスク: トレーニング データにない種類のノイズに遭遇した場合、信号を削除したり、ノイズを信号として残したりする傾向があります。
最も重大な危険はこれです。攻撃的な AI ノイズ サプレッサーは、かすかではあるが実際の反射をノイズと間違えて除去してしまう可能性があります。したがって、黄金律は、ノイズ抑制の前後の違い (除去されたコンポーネント) を必ず確認することです。除去された部分に一貫した反射パターンが見られる場合は、フィルターが信号を食い込んでいます。
ヒント: YZ ノイズ サプレッサーによって生成された「ノイズ」レイヤーを別のスライスとしてプロットします (差分プロット)。優れたリプレッサーの残基はランダムに現れます。斜めの連続反射が含まれている場合は、フィルターが強すぎるため、パラメーターを柔らかくする必要があります。
デコンボリューション: ソース署名を取り戻す
デコンボリューションは、記録されたトレースからソースのウェーブレット シグネチャ (ソース ウェーブレット - 爆風/振動子によって生成された波形) を差し引くことにより、地表の真の反射率系列を明らかにしようとするプロセスです。目標は、解像度を高め、多重反射を抑制することです。 AI は、デコンボリューションにおけるウェーブレット推定とノイズに対する堅牢性を向上させることができます。ただし、デコンをかけすぎると高周波ノイズが増幅され、擬似的な解像度が発生します。ここでも AI がレコメンデーション エンジンとして機能します。最終的なパラメータ選択 (デコン オペレータの長さ、事前ホワイトニング) は、トレースの物理的特性に従って専門的に調整されます。
不完全なトレース補間と定期的なサンプリング
一部の受信機はフィールドで失敗し、一部の回線は不完全に収集されます。その結果、データにギャップが発生します。 AI ベースの補間 (近隣からの学習によって欠落しているトレースを埋める) は、移行前に規則的なグリッドを取得するのに非常に役立ちます。ただし、塗りつぶされたトレースは推定値であり、測定値ではありません。これらのトレースは、解釈において実際のデータと同じ重みで扱われる必要はなく、出力では個別にマークされる必要があります。
注意: 補間によって生成されたトレースが後続のステップで「実際のデータ」として処理される場合、存在しない構造が作成される可能性があります。塗りつぶされたセルをマスクでトレースします。重要な構造が補間された領域にのみ現れる場合は、それを信頼しないでください。
ミニケース3個
ケース 1 — ネットワーク ラーニング グラウンド ロール。陸上地震では、強い表面波（地面の揺れ）が信号を覆い隠していました。チームは、800 件の手動でクリーニングされた録音から学習した CNN ノイズ サプレッサーを使用しました。処理時間はレコードあたり 12 分から 40 秒に短縮されました。チームは各バッチの 5% の記録を手動で検査し、差分プロットで信号損失がないことを確認しました。
ケース 2 — 弱い反射を削除しました。別のプロジェクトでは、積極的に調整された YZ サプレッサーが、2.4 秒のかすかではあるが実際のリザーバー反射をノイズと誤認し、消去しました。この違いは、坑井と耐震性の関係が確立されたときにのみ明らかになりました。つまり、坑井内の透明な層がそのセクションに存在しなかったのです。パラメータを平滑化して再処理すると、反射が戻りました。
ケース 3 — 補間の幽霊。 AI によって欠落した線が埋められた 3D ボリュームで、コメンテーターは微妙なチャネル構造に気づきました。塗りつぶしマスクを見ると、チャネルが補間された空間に正確に収まっていることがわかりました。追加のフィールドデータが収集されたとき、チャネルは存在せず、予測によって生成されたパターンであることが明らかになりました。
コピー可能な 4 つのテンプレート
1) 処理フローのスケッチ:
あなたの役割: 耐震処理スペシャリスト。データ: [陸/海、2D/3D、サンプリング 2 ミリ秒、ターゲット 1 ～ 4 km]。段階的な処理フロー (前処理 → ノイズ抑制 → デコン → 速度解析 → 移行) の概要を説明します。各ステップで、どの決定にパラメータが必要か、およびそのパラメータを選択する際に何を確認する必要があるかを書き留めます。
2) 騒音抑制制御計画:
AIノイズサプレッサーを適用しました。監査チェックリストを教えてください。差分プロットで何を探す必要があるか、信号損失をどのように認識するか、前後でどのメトリクスを比較する必要があるか、どの記録レートを手動で確認する必要がありますか?短くて実用的なものを書きましょう。
3) デコンボリューションパラメータの相談:
あなたの役割: 処理コンサルタント。デコンボリューションを適用すると、高周波ノイズが増加しました。考えられる原因、オペレータの長さ、プレホワイトニング設定の影響について説明します。過剰なデコレートが誤った解像度を生成しているかどうかを確認するにはどうすればよいですか?それぞれの提案について理由を述べてください。
4) 補間マスク追跡:
欠けていた痕跡をAIで埋めました。次の手順でマークされた塗りつぶされたセルを維持する方法、コメントを実際のデータから分離する方法、および「補間された領域でのみ表示される構造」を削除する方法を教えてください。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
耐震性能でノイズをクリアし、最適なセッティングを教えます。
「最適な設定」はデータと無関係に存在するわけではありません。 AI は制御不可能な一般的な推奨事項を提供します。
強力なプロンプト:
あなたの役割: 耐震処理スペシャリスト。収量: 黒 2D、強力なグラウンドロール (5 ～ 12 Hz)、ターゲット反射 20 ～ 45 Hz、サンプリング 2 ミリ秒。課題: ノイズ抑制のアプローチを提案し、どの成分を保持し、どの成分を抑制するかを周波数レートの用語で説明します。信号損失のリスク (差分プロット メトリクス) を監視するにはどうすればよいですか?また、前後にどのメトリクスと比較すればよいですか? 「この設定を入力してください」とだけ言わないでください。判断基準を与える。
データの特性、ターゲット帯域、および制御基準を考慮すると、出力は実際に実行可能になります。
処理手順とAIの役割
加工ステップ
AIの貢献
主なリスク
人間の決断
ランダムノイズの抑制
高い
弱い信号を削除する
パラメータの確認
安定したノイズ（グランドロール）
高い
過剰な抑制
差分プロット制御
デコンボリューション
中程度
偽の解像度
オペレーター/ホワイトニング
トレース補間
中程度
幽霊の建物
マスク追跡
速度分析
中程度
間違った速度での移行
井戸で確認しました
よくある間違い
- 差分プロットを見ずに抑制します。取り外されたコンポーネントを見るまでは、信号の損失に気づきません。
- デコンやりすぎ。高周波ノイズを解像度と誤認すると、スプリアス レイヤーが生成されます。
- 補間されたトレースを実データとしてカウントします。塗りつぶされたセルをマークしないままにしておくと、ゴースト構造が作成されます。
- 1 つの指標に注目します。信号対雑音比だけを見て反射の保存を無視するのは誤解を招くでしょう。
- 井戸ネクタイを迂回します。処理結果を井戸データに関連付けずに解釈することに進みます。
要約すると
地震処理では、AI により、ノイズ抑制、デコンボリューション、トレース補間において、高速化とより柔軟な分離が実現します。しかし、すべての段階に物理的な落とし穴があります。弱い信号の消去、誤った解像度の生成、ゴーストアーティファクトの発生などです。そのため、差分プロット制御、ウェルタイ、補間マスクなどの制御が不可欠です。 AI がパラメータを提案します。データの物理学に従ってパラメータを検証し、結果を解釈可能にするのは専門家です。
アプリケーションタスク
地震断面 (実際またはサンプル) で騒音抑制ステップを定義します。 「処理フロー概要」テンプレートでフローを抽出し、「騒音抑制管理計画」テンプレートでチェックリストを作成します。前後のスライスと差分プロットを比較し、削除されたコンポーネントに一貫した反射があるかどうかを自分の言葉で評価します。
チェックリスト
- [ ] ノイズ抑制前後の比較と差分プロットをしてみました。
- [ ] 取り外したコンポーネントに一貫した信号がないことを確認しました。
- [ ] デコン結果に誤った解決がないか確認しました。
- [ ] 補間されたトレースをマスクでマークしたままにしました。
- [ ] 結果を井戸データと結び付けました (井戸結び)。