지진 데이터 처리: 소음 억제, 디콘볼루션 및 인공 지능

이득:

• 차이 플롯으로 인공지능 기반 노이즈 억제를 제어하고 약하지만 실제 반사가 지워지는 것을 방지하는 기능
• 잘못된 해상도를 생성하는 디콘볼루션의 위험과 고스트 구조를 생성하는 추적 보간의 함정을 인식하고 마스크를 사용하여 이를 추적하는 능력
• 처리 결과를 유정 타이와 연결하여 물리적 유효성을 검증하는 기능

원시 지진 기록을 열 때 보이는 것은 "지하 사진"인 경우가 거의 없습니다. 대신 지하에서 반사된 실제 신호, 표면파, 무작위 노이즈, 다중 반사 및 녹음 고유의 왜곡 등 복잡한 혼합을 볼 수 있습니다. 지진 데이터 처리는 이 원시 기록을 지하의 해석 가능한 이미지로 단계별로 정리, 정렬 및 변환하는 프로세스입니다. 이 단원에서는 인공 지능(AI)이 특히 잡음 제거, 디콘볼루션 및 누락 추적 채우기와 같은 단계에서 이 프로세스의 강력한 가속기인 방법을 설명합니다. 하지만 왜 매개변수와 물리적 타당성 결정이 여전히 전문가의 몫인지 살펴보겠습니다.

지진 데이터 분석

짧은 용어집부터 시작하겠습니다. 트레이스는 단일 수신기에 의해 기록된 시간에 따른 진폭 시리즈입니다. 많은 흔적이 모이면 섹션이 형성됩니다. 샘플 간격은 두 개의 연속 진폭 값 사이의 시간입니다(예: 2ms). 신호 내의 실제 반사는 지하 표면의 층 경계의 음향 임피던스 차이로 인해 발생합니다. 처리의 목적은 이러한 반사를 잡음에서 분리하여 올바른 시공간 위치에 배치하는 것입니다.

노이즈에는 두 가지 주요 유형이 있습니다. 즉, 무작위 노이즈(트랙과 독립적인 비간섭성)와 일관성 있는 노이즈(일관성 노이즈 - 규칙적이고 강하며 표면파/지면 롤링과 같은 신호를 마스킹함)입니다. AI 기반 방법은 고정된 주파수-속도 창이 아닌 샘플에서 학습된 복잡한 판별을 사용하기 때문에 이 두 가지 유형을 분리하는 데 기존 필터보다 더 유연한 경우가 많습니다.

AI를 통한 소음 억제

일반적인 노이즈 억제는 주파수, 속도(f-k 필터) 또는 통계를 기반으로 하는 필터를 사용하여 수행됩니다. AI 기반 노이즈 억제기(주로 컨벌루션 신경망, 줄여서 CNN; 이미지와 같은 데이터에서 로컬 패턴을 학습하는 네트워크)는 "노이즈가 있는 입력 → 깨끗한 출력" 샘플 쌍에서 학습합니다. 장점: 신호와 잡음을 분리할 때 고정된 규칙 대신 상황에 따라 구분할 수 있습니다. 위험: 훈련 데이터에 없는 유형의 노이즈가 발생할 때 신호를 삭제하거나 노이즈를 신호로 남겨두는 경향입니다.

가장 심각한 위험은 공격적인 AI 소음 억제기가 희미하지만 실제 반사를 소음으로 착각하여 제거할 수 있다는 것입니다. 따라서 황금률은 소음 억제 전후의 차이(제거된 구성 요소)를 확인하는 것입니다. 제거된 부분에서 일관된 반사 패턴이 보이면 필터가 신호를 먹고 있는 것입니다.

팁: YZ 노이즈 억제기에 의해 생성된 "노이즈" 레이어를 별도의 슬라이스로 플롯합니다(차이 플롯). 좋은 억제인자의 잔여물은 무작위로 나타난다. 기울어지고 지속적인 반사가 있는 경우 필터가 너무 공격적이므로 매개변수를 부드럽게 해야 합니다.

Deconvolution: 소스 서명을 다시 가져오기

디콘볼루션은 기록된 추적에서 소스의 웨이블릿 시그니처(소스 웨이블릿 - 폭발/진동기에 의해 생성된 파형)를 빼서 지하 표면의 실제 반사율 시리즈를 나타내려고 시도하는 프로세스입니다. 목표는 해상도를 높이고 다중 반사를 억제하는 것입니다. AI는 디콘볼루션에서 웨이블릿 추정 및 잡음에 대한 견고성을 향상시킬 수 있습니다. 그러나 디콘을 과도하게 적용하면 고주파 노이즈가 증폭되어 스퓨리어스 해상도가 생성됩니다. AI는 여기서도 추천 엔진입니다. 최종 매개변수 선택(감소 연산자 길이, 사전 백색화)은 흔적의 물리적 특성에 따라 전문적으로 보정됩니다.

불완전한 추적 보간 및 정기적인 샘플링

일부 수신기는 현장에서 실패하고 일부 라인은 불완전하게 수집됩니다. 결과적으로 데이터에 공백이 발생합니다. AI 기반 보간(이웃으로부터 학습하여 누락된 추적 채우기)은 마이그레이션 전에 일반 그리드를 얻는 데 매우 유용합니다. 그러나 채워진 트레이스는 측정값이 아니라 추정값입니다. 이러한 추적은 해석 시 실제 데이터와 동일한 가중치로 처리되어서는 안 되며, 출력에서 ​​별도로 표시되어야 합니다.

주의: 보간에 의해 생성된 추적이 후속 단계에서 "실제 데이터"로 진행되면 존재하지 않는 구조가 생성될 수 있습니다. 마스크로 채워진 셀을 추적합니다. 중요한 구조가 보간된 영역에만 나타나면 신뢰하지 마십시오.

세 개의 미니 케이스

사례 1 — 네트워크 학습 기반 롤. 육지 지진에서는 강한 표면파(지면 롤링)가 신호를 가리고 있었습니다. 팀은 손으로 정리한 녹음 800개에서 학습한 CNN 소음 억제 장치를 사용했습니다. 기록당 처리 시간이 12분에서 40초로 단축되었습니다. 팀은 각 배치의 5% 녹음을 수동으로 검사하고 차이 플롯을 통해 신호 손실이 없음을 확인했습니다.

사례 2 — 약한 반사를 삭제했습니다. 또 다른 프로젝트에서는 공격적으로 조정된 YZ 억제기가 2.4초의 희미하지만 실제 저장소 반사를 소음으로 착각하여 지웠습니다. 차이점은 우물 내진 연결이 확립되었을 때에만 분명해졌습니다. 우물의 투명 층은 단면에 존재하지 않았습니다. 매개변수가 평활화되고 재처리되면 반사가 반환되었습니다.

사례 3 - 보간법의 유령. AI가 누락된 선을 채운 3D 볼륨에서 해설자는 미묘한 채널 구조를 발견했습니다. 채우기 마스크를 보면 채널이 보간된 공간에 정확히 들어가는 것을 볼 수 있습니다. 추가 현장 데이터가 수집되었을 때 채널이 존재하지 않고 예측에 의해 생성된 패턴이라는 것이 분명해졌습니다.

복사 가능한 템플릿 4개

1) 처리 흐름 개요:

귀하의 역할: 지진 처리 전문가. 데이터: [육지/해상, 2D/3D, 샘플링 2ms, 목표 1-4km]. 단계별 처리 흐름(전처리 → 소음 억제 → 디콘 → 속도 분석 → 마이그레이션)을 간략하게 설명해주세요. 각 단계에서 어떤 결정에 매개변수가 필요한지, 그리고 해당 매개변수를 선택할 때 무엇을 찾아야 하는지 적어보세요.

2) 소음 억제 관리 계획:

AI 소음억제기를 적용해봤습니다. 감사 체크리스트를 주세요. 차이 플롯에서 무엇을 찾아야 하는지, 신호 손실을 어떻게 인식하는지, 전후를 비교해야 하는 측정항목은 무엇인지, 수동으로 확인해야 하는 기록 속도는 무엇입니까? 짧고 실행 가능하게 작성하세요.

3) 디콘볼루션 매개변수 협의:

귀하의 역할: 처리 컨설턴트. 디콘볼루션을 적용하면 고주파 노이즈가 증가합니다. 가능한 원인, 작업자의 시간, 사전 미백 설정의 효과를 설명하십시오. 과도한 감압으로 인해 잘못된 해상도가 발생하는지 어떻게 알 수 있나요? 각 제안에 대한 이유를 제시하십시오.

4) 보간 마스크 추적:

부족한 흔적을 AI로 채워봤습니다. 다음 단계에서 채워진 셀을 표시한 상태로 유지하는 방법, 실제 데이터에서 주석을 분리하는 방법, "보간된 영역에만 보이는 구조"를 제거하는 방법을 알려주세요.

약한 프롬프트 / 강한 프롬프트

약한 프롬프트:

내진 효율로 소음을 없애고 최적의 설정을 알려드립니다.

"최상의 설정"은 데이터와 별개로 존재하지 않습니다. AI는 일반적이고 통제할 수 없는 추천을 제공합니다.

강력한 프롬프트:

귀하의 역할: 지진 처리 전문가. 수율: 검정색 2D, 강한 그라운드롤(5-12Hz), 대상 반사 20-45Hz, 샘플링 2ms. 작업: 잡음 억제를 위한 접근 방식을 제안하고, 보존할 구성 요소와 억제할 구성 요소를 주파수 속도 측면에서 설명합니다. 신호 손실 위험(차이 도표 측정항목)을 어떻게 모니터링하고 이전/이후를 비교하려면 어떤 측정항목을 사용합니까? 그냥 "이 설정을 입력하세요"라고 말하지 마세요. 결정 기준을 제시합니다.

데이터 특성, 목표 범위 및 제어 기준이 주어지면 출력이 실제로 실현 가능해집니다.

처리 단계 및 AI 역할

처리 단계

AI 기여

주요 위험

인간의 결정

무작위 소음 억제

높다

약한 신호 삭제

매개변수 확인

일관된 소음(그라운드 롤)

높다

과도한 억압

차이 플롯 제어

디콘볼루션

중간

가짜 해결

오퍼레이터/미백

추적 보간

중간

유령 건물

마스크 추적

속도 분석

중간

잘못된 속도로 마이그레이션

우물로 확인됨

일반적인 실수

• 차이 그림을 보지 않고 억제합니다. 제거된 구성 요소를 볼 때까지 신호 손실을 알 수 없습니다.
• 디콘을 과도하게 사용합니다. 분해능을 위해 고주파수 노이즈를 착각하면 스퓨리어스 레이어가 생성됩니다.
• 보간된 추적을 실제 데이터로 계산합니다. 채워진 셀을 표시하지 않은 상태로 두면 고스트 구조가 생성됩니다.
• 하나의 측정항목을 살펴봅니다. 신호 대 잡음비만 보고 반사 보존을 무시하는 것은 오해의 소지가 있습니다.
• 우물 타이를 우회합니다. 우물 데이터에 연결하지 않고 처리 결과 해석으로 넘어갑니다.

요약하면

지진 처리에서 AI는 소음 억제, 디콘볼루션 및 추적 보간에서 더 빠른 속도와 더 유연한 분리를 제공합니다. 그러나 모든 단계에는 약한 신호를 지우고, 잘못된 해상도를 생성하고, 고스트 아티팩트를 발생시키는 물리적인 함정이 있습니다. 그렇기 때문에 차이 플롯 제어, 웰 타이 및 보간 마스크와 같은 제어가 반드시 필요합니다. AI는 매개변수를 제안합니다. 데이터의 물리학에 따라 매개변수를 검증하고 결과를 해석 가능하게 만드는 것은 전문가입니다.

응용과제

지진 단면(실제 또는 샘플)에 대한 소음 억제 단계를 정의합니다. "처리 흐름 개요" 템플릿을 사용하여 흐름을 추출한 다음 "노이즈 억제 제어 계획" 템플릿을 사용하여 체크리스트를 생성합니다. 이전/이후 조각과 차이 플롯을 비교하고 제거된 구성 요소에 일관된 반영이 있는지 직접 평가해 보세요.

체크리스트

• [ ] 노이즈 억제 전/후와 차이 그래프를 비교해보았습니다.
• [ ] 제거된 부품에 일관된 신호가 없는 것을 확인했습니다.
• [ ] 디컨 결과를 확인해보니 잘못된 해결이 있었습니다.
• [ ] 마스크로 표시된 보간된 흔적을 유지했습니다.
• [ ] 결과를 우물 데이터와 연결했습니다(well Tie).