Pelnas:
- Supraskite netinkamą ir daugiareikšmį inversijos pobūdį ir pusiausvyrą tarp duomenų derinimo ir sureguliavimo.
- Gebėjimas patvirtinti AI pagreitį (pakaitinis modelis, išmoktas anksčiau) naudojant tikrąjį modeliavimą ir atpažinti primestą geologiją
- Galimybė pranešti apie rezultatą kaip neapibrėžties pasiskirstymą, o ne vieną modelį ir parodyti skiriamąją gebą / jautrumą ir duomenų prielaidų atskyrimą
Giliausias geofizikos klausimas: koks požeminis modelis sukuria duomenis, kuriuos aš matuoju paviršiuje? Atsakymas į šį klausimą vadinamas inversija. Nors išankstinis modeliavimas apskaičiuoja numatomus duomenis iš žinomo požeminio modelio, atvirkštinis modeliavimas veikia priešingai: jis įvertina požeminį modelį pagal stebimus duomenis. Šiame skyriuje sužinosite, kaip dirbtinis intelektas (AI) pagreitina inversiją, užtrukdamas sekundes, o ne valandas su surogatiniais modeliais; bet pamatysime, kodėl AI išvestis niekada negali būti perskaityta kaip „vienas tikras modelis“ dėl būdingos inversijos polisemijos ir dviprasmiškumo.
Fundamentali atvirkštinio sprendimo įtampa
Inversija nėra gera problema; Tai netinkamai iškelta problema: gali būti, kad ji neturi sprendimo, gali būti daugiau nei viena arba nedidelis duomenų triukšmas gali sukelti didelį modelio pokytį. Todėl inversija subalansuoja dvi jėgas: duomenų neatitikimą (kiek modelio sukurti duomenys yra artimi stebimiems duomenims) ir reguliavimą (pridedant modeliui „tikimumo“ apribojimą, pvz., lygumą arba artumą prie pamatinio modelio). Per daug duomenų derinimo taip pat įneša į modelį triukšmo; per didelis reguliavimas ištrina tikrąją struktūrą. Šio balanso nustatymas (pvz., sureguliavimo svoris lambda) turi įtakos visai interpretacijai.
Kaip AI pagreitina inversiją?
Klasikinė inversija atnaujina modelį iteratyviai paleisdama modeliavimą nuo šimtų iki tūkstančių kartų; 3D elektromagnetinės arba visos bangos formos inversijos atveju tai gali užtrukti nuo kelių valandų iki dienų. AI pagreitina trimis būdais:
- Pakaitinis modelis (pakaitinė medžiaga / emuliatorius): ciklo sutrumpinimas apytiksliai apskaičiuojant sunkų išankstinį skaičiavimą naudojant greitą iš anksto parengtą neuroninį tinklą.
- Išmokta anksčiau: naudojant „tikimumo“ apribojimą, išmoktą iš tikroviškų geologinių modelių, o ne reguliavimą.
- Tiesioginė išvada (nuo galo iki galo): momentinis numatymas naudojant tinklus, kurie mokosi tiesiogiai susieti duomenis iš modelio (pvz., kai kuriose 1D inversijose).
Kiekvienas iš jų padidina greitį, tačiau kiekvienas kelia naują riziką: pakaitinis modelis paklys už treniruočių diapazono ribų; mokomasis pirmūnas gali primesti duomenims mokymo rinkinio geologiją (sukurdamas neegzistuojančią struktūrą kaip „tikėtiną“); tiesioginės išvados gali pervertinti savo pasitikėjimą.
Patarimas: prieš priimdami dirbtinio intelekto pagreitintos inversijos rezultatą, gautą modelį pritaikykite faktiniam (fiziniam) išankstiniam modeliavimui ir palyginkite jo sukurtus duomenis su stebimais duomenimis. Jei sprendimas, kurį pakaitinis modelis sako „tinka“, neatitinka realioje fizikoje stebimų duomenų, tas sprendimas yra negaliojantis.
Matavimo neapibrėžtis: pasiskirstymas, o ne vienas modelis
Geros inversijos rezultatas yra ne vienas modelis, o galimų modelių šeima. Neapibrėžtumo matavimo būdai: keli paleidimai su skirtingais pradiniais modeliais, skirtingais reguliavimo svoriais ir tikimybiniais metodais (pvz., Bajeso inversija – metodas, kuris pateikia rezultatą kaip tikimybių skirstinį; posterior skirstinys). AI gali pagreitinti šio paskirstymo atranką (pvz., sugeneruoti daug galimų modelių). Siekiama ne sakyti, kad „pogrindis yra toks“, bet „pogrindis yra toks šiame diapazone ir šiuose regionuose su tokiu pasitikėjimu“.
Atsargiai: kuo „aiškesnis ir išsamesnis“ inversijos žemėlapis atrodo, tuo labiau jis gali priklausyti nuo reguliavimo sprendimo ir prielaidos. Ryškumas nėra tikslumas. Atskirkite, kurį modelio regioną lemia duomenys, o kurį išankstinis/reguliavimas (raiškos analizė).
Rezoliucija ir jautrumas
Ne kiekviena kiekvieno inversijos modelio ląstelė yra vienodai patikima. Jautrumas yra tai, kaip duomenys reaguoja į tą modelio sritį; Regionai, kurių duomenys „nemato“ (mažas jautrumas), yra visiškai užpildyti prielaida ir neteikia tikros informacijos. AI gali užgožti šį skirtumą, kurdama greitus sprendimus. Todėl šalia gauto modelio turi būti įtrauktas skiriamosios gebos / jautrumo žemėlapis.
trys mini dėklai
1 atvejis – nuo valandų iki sekundžių. Magnetotelūriniame (MT – požeminės varžos matavimo metodas natūraliu elektromagnetiniu lauku) projekte 3D inversijos vykdymas truko 9 valandas. Komanda pakeitė išankstinę paskyrą tarpinio serverio tinklu, sumažindama scenarijų nuskaitymą iki minučių. Tačiau jie iš naujo paleido galutinį modelį su realia fizika ir patvirtino duomenų tinkamumą; Jie rankiniu būdu pataisė gilųjį regioną, kuriame tarpinis serveris buvo išjungtas 3%.
2 atvejis – primesta geologija. Karbonato lauke buvo panaudota prielaida, išmokta iš smiltainio baseinų, o inversija sukūrė lygaus sluoksnio struktūrą, nors duomenys to nepatvirtino. Sentimentų žemėlapis parodė, kad ši struktūra buvo tiksliai giliame regione, kur duomenys negalėjo matyti: struktūra atsirado iš prielaidos, o ne iš duomenų. Pakeitus prielaidą, modelis tapo realus.
3 atvejis – ryškumo klaida. Dvi komandos atvirkščiai išsprendė tuos pačius gravitacijos duomenis. Sprendimas su mažu reguliarumu pasirodė aštrus, sprendimas su dideliu reguliarumu išėjo dantytas; Abu duomenys tinka vienodai. Buvo nuspręsta priimti polisemiją ir įtraukti abu modelius į rezervuaro skaičiavimą; Užrakinus viename modelyje rizika būtų paslėpta.
Keturi kopijuojami šablonai
1) Atvirkštinio sprendimo montavimo konsultacija:
Jūsų vaidmuo: atbulinės eigos specialistas. Problema: [1D/2D/3D, metodas: MT /seisminis / gravitacija]. Paaiškinkite man atvirkštinio sprendimo blogumą; Kaip subalansuoti duomenų atitikimą ir reguliarumą, pagal kokius kriterijus (L kreivė, kryžminis patvirtinimas) renkuosi reguliavimo svorį? Rašykite žingsnis po žingsnio.
2) Pakaitinio modelio patikrinimas:
Paspartinau pirmyn modeliavimą naudodamas AI surogatinį modelį. Kaip nustatyti parametrų diapazoną, kuriame šis tarpinis serveris yra patikimas? Kaip patvirtinti rezultatą naudojant tikrąją fiziką, kaip užfiksuoti sritį, kurioje tarpinis serveris nukrypsta? Pasiūlykite autentifikavimo protokolą.
3) Neapibrėžtumo tyrimas:
Mano atvirkštinis sprendimas davė vieną modelį. Kaip naudoti skirtingus pradinius modelius, skirtingus reguliarumo svorius ir tikimybinę atranką neapibrėžčiai įvesti? Kaip pateikti rezultatą kaip „modelių šeima + pasikliautinasis intervalas“, o ne „vienas modelis“?
4) skyros atskyrimas:
Noriu atskirti, kurį mano inversijos modelio regioną lemia duomenys, o kurį – prielaida/reguliarizacija. Kaip ataskaitoje nustatyti jautrumo / skyros analizę ir pažymėti mažo jautrumo sritis?
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Atvirkščiai išspręskite šiuos duomenis ir pateikite požeminį modelį.
Vienas modelis laukia; Jis slepia dviprasmiškumą ir dviprasmiškumą, todėl gaunama griežta, bet nepagrįsta išvada.
Galingas raginimas:
Jūsų vaidmuo: atbulinės eigos specialistas. Duomenys: [gravitacijos profilis + 2 šulinių tankis]. Užduotis: (1) sukurti etaloninį modelį, subalansuojant duomenų atitikimo reguliavimą; (2) pakeiskite reguliavimo svorį, kad gautumėte bent tris alternatyvius modelius ir parodytumėte, kad jie visi atitinka duomenis; (3) kuris kiekvieno modelio regionas nustatomas pagal duomenis, o kuris pagal prielaidą. Nepateikite rezultato kaip vieno teisingo modelio; Pateikite su neapibrėžtumo diapazonu.
Dėl alternatyvių modelių poreikio, duomenų tinkamumo ir skiriamosios gebos atskyrimo atvirkštinis sprendimas tampa sąžiningas.
Inversijos metodai
Prieiga
greitis
Pagrindinė rizika
patikrinimas
Klasikinis kartotinis
lėtas
vietinis minimumas
daugkartinis paleidimas
surogatinis modelis
labai greitai
nuokrypis už diapazono ribų
Patvirtino tikroji fizika
išmokta prielaida
greitai
geologijos primetimas
Jautrumo žemėlapis
Bajeso/tikimybinė
vidutinis
Sąskaitos kaina
Užpakalinis pasiskirstymas
Dažnos klaidos
- Galvoja, kad vienintelis modelis yra tikras. Atvirkštinis sprendimas turi daug prasmės; Sukurti alternatyvas.
- Aklai perimti surogatinį modelį. Nebaikite nepatvirtinus rezultato faktiniu modeliavimu.
- Nekvestionuoja prielaidos. Išmokta prielaida gali sukurti struktūrą, kurios neparemia duomenys.
- Painioja ryškumą su tikslumu. Detalumas priklauso nuo sprendimo dėl sureguliavimo.
- Rezoliucijos slėpimas. Mažo jautrumo sričių nepateikite kaip faktinės informacijos.
Apibendrinant
Inversija yra pereinamasis žingsnis geofizikoje nuo duomenų prie modelio ir iš esmės yra netinkamai iškelta daugiareikšmė problema. AI; Surogatiniai modeliai žymiai pagreitina šį procesą, turėdami išmoktų pirmenybių ir tiesioginių išvadų. Tačiau kiekvienas pagreitis kelia naują riziką: dreifas už diapazono ribų, primesta geologija, perdėtas pasitikėjimas. Teisingas naudojimas; generuoti alternatyvius modelius, patvirtinti realia fizika, pranešti apie neapibrėžtumą kaip pasiskirstymą ir atskirti skiriamąją gebą. Atvirkštinio sprendimo rezultatas yra ne viena tiesa, o patikimai apribotų modelių šeima.
Taikymo užduotis
Pasirinkite inversijos problemą (1D varža, gravitacijos profilis ir kt.). Suplanuokite duomenų atitikties ir reguliavimo kompromisą naudodami šabloną „Atšaukimo sprendimo sąrankos konsultacija“. Tada sukurkite mažiausiai trijų alternatyvių modelių generavimo procedūrą naudodami šabloną „Neapibrėžtumo tyrinėjimas“ ir palyginkite juos su atitikimu duomenims. Parašykite, kaip atskirtumėte, kurį regioną lemia duomenys, o kurį – prielaida.
kontrolinis sąrašas
- [ ] Sąmoningai pasiekiau pusiausvyrą tarp duomenų atitikties ir sureguliavimo.
- [ ] Sukūriau bent tris alternatyvius modelius ir palyginau jų atitikimą duomenimis.
- [ ] Surogato / AI pagreitį patvirtinau tikra fizika.
- [ ] Parodžiau duomenų ir prielaidos atskyrimą su skiriamosios gebos / jautrumo žemėlapiu.
- [ ] Pateikiau rezultatą su neapibrėžtumo diapazonu, o ne apie vieną modelį.