Ieguvumi:
- Spēja kontrolēt uz mākslīgo intelektu balstītu trokšņu slāpēšanu ar atšķirību grafiku un novērst vāju, bet reālu atspulgu izdzēšanu
- Spēja atpazīt dekonvolūcijas risku, kas rada viltus izšķirtspēju, un trases interpolācijas slazdu, radot spoku struktūras, un sekot tām ar masku
- Spēja pārbaudīt fizisko derīgumu, savienojot apstrādes rezultātus ar akas saiti
Tas, ko redzat, atverot neapstrādātu seismisko ierakstu, reti ir "zemzemes attēls". Tā vietā jūs redzat sarežģītu sajaukumu: faktiskais signāls, kas atspoguļots no pazemes, virsmas viļņi, nejauši trokšņi, vairāki atspīdumi un ierakstam raksturīgi kropļojumi. Seismiskā datu apstrāde ir process, kas pakāpeniski tiek tīrīts, saskaņots un pārveidots par šo neapstrādāto ierakstu interpretējamā pazemes attēlā. Šajā nodaļā mēs paskaidrosim, kā mākslīgais intelekts (AI) ir spēcīgs šī procesa paātrinātājs, jo īpaši tādos posmos kā trokšņa samazināšana, dekonvolucija un trūkstošo pēdu aizpildīšana; bet mēs redzēsim, kāpēc parametru un fiziskās derīguma lēmumi joprojām paliek eksperta ziņā.
Seismisko datu anatomija
Sāksim ar īsu glosāriju. Trase ir no laika atkarīga amplitūdas sērija, ko ieraksta viens uztvērējs. Kad saplūst daudzas pēdas, veidojas sadaļa. Izlases intervāls ir laiks starp divām secīgām amplitūdas vērtībām (piemēram, 2 ms). Faktiskie atspīdumi signāla ietvaros rodas no akustiskās pretestības starpības slāņa robežās pazemes virsmā; Apstrādes mērķis ir atdalīt šos atspulgus no trokšņiem un novietot tos pareizajā laiktelpas vietā.
Troksnis ir divu veidu galvenajos veidos: nejaušs troksnis (nesakarīgs, neatkarīgi no sliežu ceļiem) un koherents troksnis (saskaņots troksnis — regulārs, spēcīgs, maskē signālu, piemēram, virsmas viļņi/slīdēšana). Metodes, kuru pamatā ir mākslīgais intelekts, bieži ir elastīgākas nekā tradicionālie filtri, atdalot šos divus veidus, jo tās izmanto sarežģītu diskrimināciju, kas iegūta no paraugiem, nevis fiksētu frekvences ātruma logu.
Trokšņu slāpēšana ar AI
Klasiskā trokšņu slāpēšana tiek veikta ar filtriem, kuru pamatā ir frekvence, ātrums (f-k filtrs) vai statistika. Uz mākslīgā intelekta balstīti trokšņu slāpētāji (galvenokārt konvolucionālie neironu tīkli, saīsināti CNN; tīkli, kas apgūst vietējos attēlus līdzīgos datos) mācās no "trokšņainas ievades → tīras izejas" paraugu pāriem. Tā priekšrocība: tā var veikt kontekstjutīgu atšķirību, nevis fiksētu noteikumu, atdalot signālu no trokšņa. Risks: tendence dzēst signālu vai atstāt troksni kā signālu, saskaroties ar tāda veida troksni, kas nav iekļauts apmācības datos.
Vissvarīgākais apdraudējums ir šāds: agresīvs AI trokšņu slāpētājs var sajaukt vāju, bet reālu atspulgu ar troksni un novērst to. Tātad zelta likums: noteikti apskatiet atšķirību (noņemto komponentu) pirms un pēc trokšņu slāpēšanas. Ja noņemtajā daļā redzat konsekventu atstarošanas modeli, filtrs ēd signālu.
Padoms. Uzzīmējiet YZ trokšņu slāpētāja radīto "trokšņu" slāni kā atsevišķu šķēli (atšķirības diagramma). Laba represora atlikums parādās nejauši; Ja tajā ir slīpi, nepārtraukti atspīdumi, filtrs ir pārāk agresīvs un jums ir nepieciešams mīkstināt parametru.
Dekonvolūcija: avota paraksta atgūšana
Dekonvolūcija ir process, kas mēģina atklāt patieso zemvirsmas atstarošanas virkni, no ierakstītās pēdas atņemot avota viļņa parakstu (avota vilni — sprādziena/vibratora radīto viļņu formu). Mērķis ir palielināt izšķirtspēju un nomākt vairākus atspulgus. AI var uzlabot viļņu novērtējumu un noturību pret troksni dekonvolūcijas laikā; Tomēr, ja dekons tiek izmantots pārmērīgi, tas pastiprinās augstfrekvences troksni un radīs nepareizu izšķirtspēju. AI arī šeit ir ieteikumu dzinējs; Galīgo parametru atlase (dekonoperatora garums, iepriekšēja balināšana) ir prasmīgi kalibrēta atbilstoši pēdu fiziskajām īpašībām.
Nepilnīga izsekošanas interpolācija un regulāra paraugu ņemšana
Daži uztvērēji sabojājas laukā, dažas līnijas tiek savāktas nepilnīgi; Tā rezultātā datos rodas nepilnības. Uz AI balstīta interpolācija (trūkstošo pēdu aizpildīšana, mācoties no kaimiņiem) ir ļoti noderīga, lai pirms migrācijas iegūtu regulāru režģi. Tomēr aizpildītā trase ir aplēse, nevis mērījums; Šīs pēdas interpretācijā nedrīkst traktēt ar tādu pašu nozīmi kā reālie dati, bet izvadā tās jāatzīmē atsevišķi.
Uzmanību! Ja interpolācijas radītās pēdas turpmākajās darbībās tiek izmantotas kā "reāli dati", tās var radīt neeksistējošu struktūru. Izsekojiet piepildītās šūnas ar masku; Ja kritiskā struktūra parādās tikai interpolētajā reģionā, neuzticieties tai.
trīs mini futrāļi
1. gadījums — tīkla apmācība. Sauszemes seismiskajā stāvoklī signālu maskēja spēcīgi virsmas viļņi (zemes ripināšana). Komanda izmantoja CNN trokšņu slāpētāju, kas mācījās no 800 ar rokām tīrītiem ierakstiem; apstrādes laiks samazinājās no 12 minūtēm līdz 40 sekundēm vienam ierakstam. Komanda manuāli pārbaudīja 5% ierakstu no katras partijas un apstiprināja, ka nav signāla zuduma ar atšķirību diagrammu.
2. gadījums — dzēsts vājš atspoguļojums. Citā projektā agresīvi noregulēts YZ slāpētājs sajauca vāju, bet reālu rezervuāra atspulgu 2,4 sekundēs par troksni un izdzēsa to. Atšķirība kļuva acīmredzama tikai tad, kad tika izveidota urbuma seismiskā saite: dzidrais slānis akā nebija sekcijā. Kad parametrs tika izlīdzināts un atkārtoti apstrādāts, atspulgs atgriezās.
3. gadījums — interpolācijas rēgs. 3D sējumā, kurā trūkstošās rindiņas aizpildīja AI, komentētājs pamanīja smalku kanāla struktūru. Aplūkojot aizpildīšanas masku, viņš redzēja, ka kanāls precīzi iekrita interpolētajā telpā. Kad tika savākti papildu lauka dati, kļuva skaidrs, ka tur nav kanāls, bet gan prognozes radīts modelis.
Četras kopējamas veidnes
1) Apstrādes plūsmas skice:
Jūsu loma: seismiskās apstrādes speciālists. Dati: [zeme/jūra, 2D/3D, paraugu ņemšana 2 ms, mērķis 1-4 km]. Ieskicējiet man soli pa solim apstrādes plūsmu (pirmsapstrāde → trokšņu slāpēšana → dekonēšana → ātruma analīze → migrācija). KATRĀ solī pierakstiet, kuram lēmumam ir nepieciešami parametri un kas man būtu jāmeklē, izvēloties šo parametru.
2) Trokšņa slāpēšanas kontroles plāns:
Es izmantoju AI trokšņu slāpētāju. Sniedziet man audita kontrolsarakstu: kas man jāmeklē atšķirības diagrammā, kā atpazīt signāla zudumu, kāda metrika jāsalīdzina pirms/pēc, kāds ierakstīšanas ātrums jāpārbauda manuāli? Rakstiet īsi un praktiski.
3) Dekonvolūcijas parametru konsultācija:
Jūsu loma: apstrādes konsultants. Es piemēroju dekonvolūciju un paaugstināts augstfrekvences troksnis. Izskaidrojiet iespējamos cēloņus, operatora garumu un pirmsbalināšanas iestatījuma ietekmi. Kā es varu zināt, vai pārmērīga deko rada nepatiesu izšķirtspēju? Sniedziet iemeslu katram ieteikumam.
4) Interpolācijas maskas izsekošana:
Es aizpildīju trūkstošās pēdas ar AI. Pastāstiet man, kā nākamajās darbībās saglabāt aizpildītās šūnas atzīmētas, kā atdalīt komentāru no faktiskajiem datiem un kā novērst "struktūru, kas ir redzama tikai interpolētajā reģionā".
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Notīriet seismiskās efektivitātes troksni, norādiet labāko iestatījumu.
“Labākais iestatījums” nepastāv neatkarīgi no datiem; AI sniedz vispārīgu, nekontrolējamu ieteikumu.
Spēcīga uzvedne:
Jūsu loma: seismiskās apstrādes speciālists. Ienesīgums: melns 2D, spēcīgs pamats (5–12 Hz), mērķa atstarošana 20–45 Hz, iztveršana 2 ms. Uzdevums: piedāvāt pieeju trokšņu slāpēšanai, frekvenču ātruma izteiksmē izskaidrot, kuru komponentu saglabāt un kuru slāpēt. Kā pārraudzīt signāla zuduma risku (atšķirības diagrammas metrika) un ar kādu metriku salīdzināt pirms/pēc? Nesakiet tikai "ievadiet šo iestatījumu"; Norādiet lēmuma pieņemšanas kritērijus.
Ņemot vērā datu raksturu, mērķa joslu un kontroles kritērijus, izvade kļūst patiesi iespējama.
Apstrādes soļi un AI loma
Apstrādes solis
AI ieguldījums
Galvenais risks
cilvēka lēmums
Gadījuma trokšņu slāpēšana
augsts
Dzēst vāju signālu
Parametru apstiprinājums
Pastāvīgs troksnis (sazemēšanās)
augsts
pārmērīga apspiešana
Atšķirību sižeta kontrole
dekonvolucija
vidējs
viltota izšķirtspēja
Operators/balināšana
Trases interpolācija
vidējs
spoku ēka
Masku izsekošana
Ātruma analīze
vidējs
Migrācija nepareizā ātrumā
Labi apstiprināja
Biežas kļūdas
- Apspiežot, neskatoties uz atšķirību sižetu. Jūs nepamanīsit signāla zudumu, kamēr neredzēsit noņemto komponentu.
- Pārspīlēt dekonu. Ja augstfrekvences troksnis tiek sajaukts ar izšķirtspēju, rodas viltus slāņi.
- Uzskaitiet interpolēto izsekošanu kā reālus datus. Atstājot aizpildītās šūnas nemarķētas, tiek izveidota spoku struktūra.
- Skatoties uz vienu metriku. Būtu maldinoši aplūkot tikai signāla un trokšņa attiecību un ignorēt atstarošanas saglabāšanu.
- Apejot akas saiti. Pārejam uz apstrādes rezultāta interpretāciju, nepievienojot to urbuma datiem.
Rezumējot
Seismiskajā apstrādē mākslīgais intelekts nodrošina lielāku ātrumu un bieži vien elastīgāku atdalīšanu trokšņu slāpēšanā, dekonvolūcijā un pēdu interpolācijā. Taču katrā solī ir fiziska kļūme: vāja signāla dzēšana, nepareizas izšķirtspējas radīšana, spoku artefaktu rašanās. Tāpēc ir nepieciešamas tādas vadīklas kā atšķirību diagrammas vadība, akas saite un interpolācijas maska. AI iesaka parametrus; Tas ir eksperts, kurš apstiprina parametru atbilstoši datu fizikai un padara rezultātu interpretējamu.
Lietojumprogrammas uzdevums
Definējiet trokšņu slāpēšanas pakāpi seismiskajā sadaļā (reālā vai paraugā). Izvelciet plūsmu, izmantojot veidni "Notiek plūsmas kontūra", pēc tam izveidojiet kontrolsarakstu ar veidni "Trokšņu slāpēšanas kontroles plāns". Salīdziniet pirms/pēc šķēles un atšķirību diagrammu un saviem vārdiem novērtējiet, vai noņemtajā komponentā ir konsekvents atspoguļojums.
kontrolsaraksts
- [ ] Es salīdzināju pirms/pēc trokšņu slāpēšanas un atšķirību diagrammu.
- [ ] Esmu pārbaudījis, vai noņemtajā komponentā nav konsekventa signāla.
- [ ] Es pārbaudīju dekonēšanas rezultātu, lai noteiktu nepatiesu izšķirtspēju.
- [ ] Es saglabāju interpolētās pēdas, kas iezīmētas ar masku.
- [ ] Es sasaistīju rezultātu ar akas datiem (akas saite).