Ieguvumi:
- Izprotiet inversijas nepareizo un polisēmisko raksturu un līdzsvaru starp datu atbilstību un regularizāciju.
- Spēja apstiprināt AI paātrinājumu (surogātmodelis, iepriekš apgūts) ar patiesu priekšu modelēšanu un atpazīt uzspiesto ģeoloģiju
- Spēja ziņot par rezultātu kā nenoteiktības sadalījumu, nevis vienu modeli un parādīt izšķirtspēju/jutību un datu telpas atdalīšanu
Dziļākais jautājums ģeofizikā ir šāds: kurš pazemes modelis rada datus, kurus es mēru uz virsmas? Atbildi uz šo jautājumu sauc par inversiju. Kamēr tiešā modelēšana aprēķina sagaidāmos datus no zināma zemes virsmas modeļa, apgrieztā modelēšana dara pretējo: tā novērtē pazemes modeli no novērotajiem datiem. Šajā nodaļā jūs uzzināsiet, kā mākslīgais intelekts (AI) paātrina inversiju, ar surogātmodeļiem aizņemot sekundes, nevis stundas; bet mēs redzēsim, kāpēc mākslīgā intelekta izvadi nekad nevar nolasīt kā "vienu patiesu modeli" inversijas raksturīgās polisēmijas un neskaidrības dēļ.
Apgrieztā risinājuma fundamentālais spriegums
Inversija nav labdabīga problēma; Tā ir nepareizi izveidota problēma: tai var nebūt risinājuma, var būt vairāk nekā viens, vai arī neliels troksnis datos var izraisīt lielas izmaiņas modelī. Tāpēc inversija līdzsvaro divus spēkus: datu neatbilstību (cik tuvu modeļa radītie dati ir novērotajiem datiem) un regularizāciju (modeli pievienojot "ticamības" ierobežojumu, piemēram, vienmērīgumu vai tuvumu atsauces modelim). Pārāk liela datu pielāgošana modelī rada arī troksni; pārāk liela regularizācija izdzēš reālo struktūru. Šī līdzsvara iestatīšana (piemēram, regularizācijas svara lambda) ietekmē visu interpretāciju.
Kā AI paātrina inversiju?
Klasiskā inversija atjaunina modeli iteratīvi, veicot modelēšanu no simtiem līdz tūkstošiem reižu; 3D elektromagnētiskajā vai pilnas viļņu formas inversijā tas var ilgt no stundām līdz dienām. AI paātrina trīs veidus:
- Surogātmodelis (surogāts/emulators): cikla saīsināšana, tuvinot smago uz priekšu aprēķinu ar ātru iepriekš apmācītu neironu tīklu.
- Apgūts iepriekš: izmantojot "ticamības" ierobežojumu, kas iegūts no reālistiskiem ģeoloģiskiem modeļiem, nevis regularizācijas.
- Tiešie secinājumi (no gala līdz galam): tūlītēja prognozēšana ar tīkliem, kas apgūst tiešu kartēšanu no datiem uz modeli (piemēram, dažās 1D inversijās).
Katrs no tiem palielina ātrumu, bet katrs rada jaunu risku: surogātmodelis kļūdīsies ārpus treniņu diapazona; apmācāmais var uzspiest datiem apmācību kopas ģeoloģiju (izveidojot neesošu struktūru kā “ticamu”); tiešs secinājums var pārvērtēt tā pārliecību.
Padoms. Pirms pieņemt AI paātrinātas inversijas rezultātu, ievietojiet iegūto modeli faktiskajā (fiziskajā) modelēšanā un salīdziniet tā radītos datus ar novērotajiem datiem. Ja risinājums, par kuru surogātmodelis saka "der", nesatur reālajā fizikā novērotos datus, šis risinājums ir nederīgs.
Mērīšanas nenoteiktība: sadalījums, nevis viens modelis
Labas inversijas rezultāts nav viens modelis, bet gan iespējamo modeļu saime. Nenoteiktības mērīšanas veidi: vairākas darbības ar dažādiem sākuma modeļiem, dažādiem regularizācijas svērumiem un varbūtības pieejām (piemēram, Bajesa inversija — pieeja, kas dod rezultātu kā varbūtības sadalījumu; posterior sadalījums). AI var paātrināt šī sadalījuma iztveršanu (piemēram, ģenerējot lielu skaitu iespējamo modeļu). Mērķis nav teikt, ka "pazemes ir tāda", bet "pazemes ir tāda šajā diapazonā un šajos reģionos ar šo pārliecību".
Uzmanību: jo "asāka un detalizētāka" izskatās inversijas karte, jo vairāk tā var būt atkarīga no legalizācijas lēmuma un priekšnoteikuma. Asums nav precizitāte. Atšķirt, kuru modeļa reģionu nosaka dati un kurš iepriekš/regularizācija (izšķirtspējas analīze).
Izšķirtspēja un jutīgums
Ne katra katra inversijas modeļa šūna ir vienlīdz uzticama. Jutība ir datu reakcija uz šo modeļa reģionu; Reģioni, kurus dati nevar "redzēt" (zema jutība), ir pilnībā aizpildīti ar priekšnoteikumu un nesniedz reālu informāciju. AI var aizēnot šo atšķirību, vienlaikus radot ātrus risinājumus. Tāpēc blakus iegūtajam modelim ir jāiekļauj izšķirtspējas/jutīguma karte.
trīs mini futrāļi
1. gadījums — no stundām līdz sekundēm. Magnetotelūriskā (MT — pazemes pretestības mērīšanas metode ar dabisko elektromagnētisko lauku) projektā 3D inversijas palaišana ilga 9 stundas. Komanda aizstāja pāradresācijas kontu ar starpniekservera tīklu, samazinot scenāriju skenēšanu līdz minūtēm. Bet viņi atkārtoti palaida galīgo modeli ar reālu fiziku un apstiprināja datu atbilstību; Viņi manuāli laboja dziļo reģionu, kurā starpniekserveris bija izslēgts par 3%.
2. gadījums — uzspiestā ģeoloģija. Karbonāta laukā tika izmantots no smilšakmens baseiniem iegūts priekšnoteikums, un inversija radīja gludu slāņu struktūru, lai gan dati to neatbalstīja. Sentimenta karte parādīja, ka šī struktūra atrodas tieši dziļajā reģionā, kur dati nevarēja redzēt: struktūra nāca no priekšnoteikumiem, nevis datiem. Kad priekšnoteikums tika mainīts, modelis kļuva reālistisks.
3. gadījums — asuma kļūda. Divas komandas apgriezti atrisināja tos pašus gravitācijas datus. Risinājums ar zemu regularitāti iznāca ass, risinājums ar augstu regularitāti iznāca robains; Abi atbilst datiem vienādi. Lēmums bija pieņemt polisēmiju un iekļaut abus modeļus rezervuāra aprēķinā; Bloķēšana vienā modelī paslēptu risku.
Četras kopējamas veidnes
1) Reversā risinājuma uzstādīšanas konsultācija:
Jūsu loma: apgriešanas speciālists. Problēma: [1D/2D/3D, metode: MT /seismisks / gravitācija]. Paskaidrojiet man apgrieztā risinājuma slikto stāvokli; Kā sabalansēt datu atbilstību un regularizāciju, pēc kādiem kritērijiem (L-līkne, krusteniskā validācija) izvēlos regularizācijas svaru? Rakstiet soli pa solim.
2) Surogātmodeļa pārbaude:
Es paātrināju modelēšanu ar mākslīgā intelekta surogātmodeli. Kā noteikt parametru diapazonu, kurā šis starpniekserveris ir uzticams? Kā apstiprināt rezultātu ar reālo fiziku, kā tvert reģionu, kurā starpniekserveris novirzās? Iesakiet autentifikācijas protokolu.
3) Nenoteiktības izpēte:
Mans apgrieztais risinājums deva vienu modeli. Kā izmantot dažādus sākuma modeļus, dažādus regularizācijas svarus un varbūtības izlasi, lai ieviestu nenoteiktību? Kā ziņot par rezultātu kā "modeļu saime + ticamības intervāls", nevis "viens modelis"?
4) Izšķirtspējas atdalīšana:
Es vēlos nodalīt, kuru mana inversijas modeļa reģionu nosaka dati un kuru nosaka premisa/regularizācija. Kā pārskatā iestatīt jutīguma/izšķirtspējas analīzi un atzīmēt zemas jutības zonas?
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Apgrieztā veidā atrisiniet šos datus un dodiet pazemes modeli.
Viens modelis gaida; Tas slēpj neskaidrības un neskaidrības, kā rezultātā tiek izdarīts skarbs, bet nepamatots secinājums.
Spēcīga uzvedne:
Jūsu loma: apgriešanas speciālists. Dati: [gravitācijas profils + 2 urbumu blīvums]. Uzdevums: (1) izveidot atsauces modeli, līdzsvarojot datu atbilstības-regularizāciju; (2) mainiet regularizācijas svaru, lai iegūtu vismaz trīs alternatīvus modeļus un parādītu, ka tie visi atbilst datiem; (3) kuru katra modeļa reģionu nosaka dati un kurš priekšnoteikums. Neuzrādīt rezultātu kā vienu pareizu modeli; Dodiet ar nenoteiktības diapazonu.
Pieprasījums pēc alternatīviem modeļiem, datu atbilstības un izšķirtspējas atdalīšanas padara apgriezto risinājumu godīgu.
Inversijas pieejas
Pieeja
ātrumu
Galvenais risks
verifikācija
Klasisks iteratīvs
lēns
vietējais minimums
vairākkārtējs starts
surogātmodelis
ļoti ātri
novirze ārpus diapazona
To apstiprina reālā fizika
iemācīts priekšnoteikums
ātri
ģeoloģijas uzlikšana
Jutīguma karte
Bajesa/varbūtības
vidējs
Konta izmaksas
Aizmugurējais sadalījums
Biežas kļūdas
- Domājot, ka vienīgais modelis ir īsts. Apgrieztajam risinājumam ir liela jēga; Ģenerējiet alternatīvas.
- Akli pieņemot surogātmodeli. Nepabeidziet, neapstiprinot rezultātu ar faktisko uz priekšu modelēšanu.
- Neapšaubot premisu. Iemācītais priekšnoteikums var radīt struktūru, kuru dati neatbalsta.
- Asumu sajauc ar precizitāti. Sīkāka informācija ir atkarīga no legalizācijas lēmuma.
- Izšķirtspējas slēpšana. Nenorādiet zemas jutības zonas kā faktisku informāciju.
Rezumējot
Inversija ir pārejas posms ģeofizikā no datiem uz modeli, un pēc savas būtības tā ir slikti izvirzīta, daudzveidīga problēma. AI; Surogātmodeļi ievērojami paātrina šo procesu, izmantojot apgūtās prioritātes un tiešus secinājumus. Taču katrs paātrinājums rada jaunu risku: novirze ārpus diapazona, uzspiesta ģeoloģija, pārspīlēta pārliecība. Pareiza lietošana; alternatīvu modeļu ģenerēšana, apstiprināšana ar reālo fiziku, nenoteiktības ziņošana kā sadalījums un izšķirtspējas izolēšana. Apgrieztā risinājuma rezultāts nav viena patiesība, bet gan pārliecinoši ierobežotu modeļu saime.
Lietojumprogrammas uzdevums
Izvēlieties inversijas problēmu (1D pretestība, gravitācijas profils utt.). Plānojiet datu atbilstības-regulēšanas kompromisu, izmantojot veidni “Apgrieztā risinājuma iestatīšanas konsultācija”. Pēc tam izveidojiet procedūru, lai ģenerētu vismaz trīs alternatīvus modeļus, izmantojot veidni "Nenoteiktības izpēte" un salīdzinātu tos ar atbilstību datiem. Uzrakstiet, kā jūs atšķirtu, kuru reģionu nosaka dati un kuru nosaka premisa.
kontrolsaraksts
- [ ] Es apzināti atradu līdzsvaru starp datu atbilstību un regularizāciju.
- [ ] Es izveidoju vismaz trīs alternatīvus modeļus un salīdzināju to atbilstību datiem.
- [ ] Es apstiprināju surogāta/AI paātrinājumu ar reālo fiziku.
- [ ] Es parādīju datu un premisu atdalīšanu ar izšķirtspējas/jutīguma karti.
- [ ] Es ziņoju rezultātu ar nenoteiktības diapazonu, nevis vienu modeli.