ਭੂਚਾਲ ਦੀ ਵਿਆਖਿਆ: ਹੋਰਾਈਜ਼ਨ ਅਤੇ ਫਾਲਟ ਟ੍ਰੈਕਿੰਗ, ਫੇਸੀਜ਼ ਵਰਗੀਕਰਣ ਅਤੇ ਗੁਣ ਵਿਸ਼ਲੇਸ਼ਣ

ਲਾਭ:

• ਆਟੋਮੈਟਿਕ ਹਰੀਜ਼ਨ ਟ੍ਰੈਕਿੰਗ ਵਿੱਚ ਚੱਕਰ ਛੱਡਣ ਅਤੇ ਅਸਲ ਢਾਂਚੇ ਤੋਂ ਨੁਕਸ ਖੋਜ ਵਿੱਚ ਪ੍ਰਾਪਤੀ ਦੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਨੂੰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਹੱਥੀਂ ਇਸਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝੋ ਕਿ ਭੂਚਾਲ ਦੇ ਚਿਹਰੇ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਅੰਕੜਾਤਮਕ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਖੂਹਾਂ ਅਤੇ ਜਮ੍ਹਾ ਵਾਤਾਵਰਨ ਦੇ ਗਿਆਨ ਨਾਲ ਭੂ-ਵਿਗਿਆਨਕ ਅਰਥ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੁੰਦੀਆਂ ਹਨ।
• ਅੰਨ੍ਹੇ ਖੂਹ ਦੇ ਟੈਸਟ ਦੇ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਸੁਮੇਲ ਵਿੱਚ ਓਵਰਫਿਟਿੰਗ ਦੇ ਜੋਖਮ ਨੂੰ ਪਰਖਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਖੂਹਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਅਨੁਸਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਸੀਮਿਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਪ੍ਰੋਸੈਸਿੰਗ ਖਤਮ ਹੋ ਗਈ ਹੈ; ਤੁਹਾਡੇ ਕੋਲ ਇੱਕ ਸਾਫ਼, ਮਾਈਗਰੇਟਡ ਭੂਚਾਲ ਵਾਲੀਅਮ ਹੈ। ਹੁਣ ਅਸਲ ਸਵਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ: ਇਹ ਚਿੱਤਰ ਭੂਮੀਗਤ ਬਾਰੇ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਪਰਤ ਦੀਆਂ ਸੀਮਾਵਾਂ ਕਿੱਥੇ ਹਨ, ਨੁਕਸ ਕਿਸ ਦਿਸ਼ਾ ਵਿੱਚ ਫੈਲਦੇ ਹਨ, ਕਿਹੜਾ ਖੇਤਰ ਰੇਤ ਹੈ, ਕਿਹੜੀ ਮਿੱਟੀ ਹੈ, ਕਿੱਥੇ ਇੱਕ ਭੰਡਾਰ ਹੋ ਸਕਦਾ ਹੈ? ਭੂਚਾਲ ਦੀ ਵਿਆਖਿਆ ਮਾਈਗਰੇਟ ਕੀਤੇ ਡੇਟਾ ਤੋਂ ਉਪ-ਸਤਹ ਦੇ ਸੰਰਚਨਾਤਮਕ ਅਤੇ ਤਲਛਟ (ਸਟ੍ਰੈਟੀਗ੍ਰਾਫਿਕ) ਮਾਡਲ ਨੂੰ ਕੱਢਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਦੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ ਨਕਲੀ ਬੁੱਧੀ (AI) ਹਰੀਜ਼ਨ ਅਤੇ ਫਾਲਟ ਟ੍ਰੈਕਿੰਗ, ਭੂਚਾਲ ਦੇ ਫੇਸਿਸ ਵਰਗੀਕਰਣ ਅਤੇ ਗੁਣਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ "ਤੁਰੰਤ ਪਹਿਲਾ ਡਰਾਫਟ" ਤਿਆਰ ਕਰਦੀ ਹੈ, ਪਰ ਭੂ-ਵਿਗਿਆਨਕ ਅਰਥ ਅਤੇ ਅੰਤਮ ਮਾਡਲ ਕੌਣ ਬਣਾਉਂਦਾ ਹੈ।

ਵਿਆਖਿਆ ਦੇ ਬਿਲਡਿੰਗ ਬਲਾਕ

ਆਓ ਸ਼ਰਤਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੀਏ। Horizon ਭੂਚਾਲ ਦੇ ਭਾਗ ਵਿੱਚ ਦੇਖੀ ਜਾਣ ਵਾਲੀ ਨਿਰੰਤਰ ਪ੍ਰਤੀਬਿੰਬਿਤ ਸਤਹ ਹੈ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਪਰਤ ਦੀ ਸੀਮਾ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ। ਇੱਕ ਨੁਕਸ ਵਿਗਾੜ ਦਾ ਇੱਕ ਜਹਾਜ਼ ਹੈ ਜਿੱਥੇ ਪਰਤਾਂ ਟੁੱਟਦੀਆਂ ਅਤੇ ਬਦਲਦੀਆਂ ਹਨ; ਇਹ ਉਹਨਾਂ ਥਾਵਾਂ 'ਤੇ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ ਜਿੱਥੇ ਪ੍ਰਤੀਬਿੰਬਾਂ ਨੂੰ ਕਰਾਸ-ਸੈਕਸ਼ਨ ਵਿੱਚ ਵਿਘਨ ਜਾਂ ਸ਼ਿਫਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਭੂਚਾਲ ਵਾਲੇ ਫੇਸ ਵਾਲੀਅਮ ਖੇਤਰ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੇ ਤਰੰਗ ਅੱਖਰ (ਐਂਪਲੀਟਿਊਡ, ਨਿਰੰਤਰਤਾ, ਟੈਕਸਟ) ਹੁੰਦੇ ਹਨ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਸਮਾਨ ਤਲਛਟ ਵਾਤਾਵਰਣ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਭੂਚਾਲ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਉਹਨਾਂ ਨਿਸ਼ਾਨਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਮਾਪ ਹਨ ਜੋ ਅੱਖ ਨੂੰ ਕੁਝ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਅਨੰਤਰਤਾ, ਢਲਾਨ, ਐਪਲੀਟਿਊਡ, ਬਾਰੰਬਾਰਤਾ) ਵੱਲ ਸੇਧਿਤ ਕਰਦੇ ਹਨ; ਉਦਾਹਰਨ ਲਈ, ਤਾਲਮੇਲ/ਨਿਰੰਤਰਤਾ ਗੁਣ ਨੁਕਸ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਅਤੇ ਸਪੈਕਟ੍ਰਲ ਸੜਨ ਚੈਨਲ ਜਿਓਮੈਟਰੀ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ।

ਹੋਰੀਜ਼ਨ ਅਤੇ ਫਾਲਟ ਟਰੈਕਿੰਗ ਵਿੱਚ ਏ.ਆਈ

ਮੈਨੂਅਲ ਹੋਰੀਜ਼ਨ ਟ੍ਰੈਕਿੰਗ ਉਦੋਂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਦੁਭਾਸ਼ੀਏ ਸੈਕਸ਼ਨ ਦੁਆਰਾ ਪ੍ਰਤੀਬਿੰਬ ਸੈਕਸ਼ਨ ਨੂੰ ਟਰੇਸ ਕਰਦਾ ਹੈ ਅਤੇ ਹਜ਼ਾਰਾਂ ਪੁਆਇੰਟਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ—ਸਹੀ ਪਰ ਹੌਲੀ। AI-ਅਧਾਰਿਤ ਆਟੋਮੈਟਿਕ ਟਰੈਕਰ ਕੁਝ ਬੀਜ ਬਿੰਦੂਆਂ ਤੋਂ ਸ਼ੁਰੂ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਪੂਰੇ ਵਾਲੀਅਮ ਵਿੱਚ ਫੈਲ ਸਕਦੇ ਹਨ; ਨੁਕਸ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ, CNN-ਅਧਾਰਿਤ ਮਾਡਲ (ਚਿੱਤਰ ਪੈਟਰਨ ਸਿੱਖਣ ਨੈੱਟਵਰਕ) ਪੂਰੇ ਵਾਲੀਅਮ ਵਿੱਚ ਰੁਕਾਵਟਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਹਫ਼ਤਿਆਂ ਨੂੰ ਘੰਟਿਆਂ ਵਿੱਚ ਘਟਾਉਂਦਾ ਹੈ।

ਹਾਲਾਂਕਿ, ਇੱਥੇ ਦੋ ਜਾਲ ਹਨ. ਪਹਿਲਾਂ, ਆਟੋਮੈਟਿਕ ਟਰੈਕਰ ਇੱਕ ਹੋਰੀਜ਼ਨ ਨੂੰ ਛੱਡ ਕੇ ਚੱਕਰ ਲਗਾ ਸਕਦਾ ਹੈ—ਇੱਕ ਵੇਵ ਕਰੈਸਟ ਤੋਂ ਇੱਕ ਗੁਆਂਢੀ ਕਰੈਸਟ ਵਿੱਚ ਬਦਲਣਾ; ਨਤੀਜਾ ਇੱਕ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਨਿਰਵਿਘਨ ਪਰ ਭੂ-ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਗਲਤ ਸਤਹ ਹੈ। ਦੂਜਾ, ਫਾਲਟ ਡਿਟੈਕਟਰ ਗਲਤੀ ਨਾਲ ਪ੍ਰੋਸੈਸਿੰਗ-ਜਨਰੇਟ ਰੇਖਿਕ ਸ਼ੋਰ (ਉਦਾਹਰਨ ਲਈ, ਪ੍ਰਾਪਤੀ ਫੁਟਪ੍ਰਿੰਟ) ਨੂੰ ਇੱਕ ਨੁਕਸ ਵਜੋਂ ਸਮਝ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਗਈ ਹਰ ਸਤ੍ਹਾ ਅਤੇ ਨੁਕਸ ਵਾਲੇ ਨੈੱਟਵਰਕ ਦਾ ਚੌਰਾਹੇ (ਫਾਲਟ-ਹੋਰੀਜ਼ਨ ਇੰਟਰਸੈਕਸ਼ਨ) ਅਤੇ ਖੂਹ ਦੇ ਸਥਾਨਾਂ 'ਤੇ ਹੱਥੀਂ ਨਿਰੀਖਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਸੰਕੇਤ: ਕਈ ਮੁੱਖ ਭਾਗਾਂ ਵਿੱਚ ਇੱਕ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਟ੍ਰੈਕ ਕੀਤੇ ਹਰੀਜ਼ੋਨ ਨੂੰ ਡੇਟਾ 'ਤੇ ਹੀ ਓਵਰਲੇਅ ਕਰਕੇ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਨਿਗਰਾਨੀ ਕਰੋ। ਸਤ੍ਹਾ ਦਾ ਚੱਕਰ ਛੱਡਿਆ ਗਿਆ ਹੈ ਜਿੱਥੇ ਇਹ ਇੱਕ ਮਜ਼ਬੂਤ ​​​​ਪ੍ਰਤੀਬਿੰਬ ਛੱਡਦਾ ਹੈ ਅਤੇ ਇੱਕ ਕਮਜ਼ੋਰ ਸਿਖਰ 'ਤੇ ਛਾਲ ਮਾਰਦਾ ਹੈ; ਇਹਨਾਂ ਖੇਤਰਾਂ ਨੂੰ ਹੱਥੀਂ ਠੀਕ ਕੀਤੇ ਬਿਨਾਂ ਵਾਲੀਅਮ ਨੂੰ ਨਾ ਫੈਲਾਓ।

ਭੂਚਾਲ ਦੇ ਚਿਹਰੇ ਵਰਗੀਕਰਣ

Facies classification is the task of dividing the volume into regions according to wave character. ਨਿਰੀਖਣ ਕੀਤੀ ਪਹੁੰਚ ਵਿੱਚ, ਤੁਸੀਂ ਖੂਹਾਂ ਵਿੱਚ ਜਾਣੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਲਿਥੋਲੋਜੀਜ਼ ਤੋਂ ਲੇਬਲ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹੋ ਅਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੰਦੇ ਹੋ; ਨਿਰੀਖਣ ਕੀਤੀ ਪਹੁੰਚ ਵਿੱਚ, ਮਾਡਲ ਆਪਣੇ ਆਪ ਵਿੱਚ ਸਮਾਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਨੂੰ ਕਲੱਸਟਰ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਸੀਂ ਬਾਅਦ ਵਿੱਚ ਭੂ-ਵਿਗਿਆਨਕ ਅਰਥ ਦਿੰਦੇ ਹੋ। ਏਆਈ ਇੱਥੇ ਬਹੁਤ ਵਧੀਆ ਗਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪਰ ਕਲਾਸਾਂ ਅੰਕੜਾ ਸਮਾਨਤਾ ਹਨ, ਭੂ-ਵਿਗਿਆਨਕ ਤੱਥ ਨਹੀਂ। ਉਹ ਖੇਤਰ ਜਿਸ ਨੂੰ ਮਾਡਲ "ਫੇਸਿਸ 3" ਕਹਿੰਦਾ ਹੈ, ਖੂਹ ਅਤੇ ਜਮ੍ਹਾ ਵਾਤਾਵਰਣ ਦੇ ਗਿਆਨ ਨਾਲ "ਚੈਨਲ ਰੇਤ" ਵਰਗਾ ਅਰਥ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।

ਧਿਆਨ ਦਿਓ: ਤੁਸੀਂ ਨਿਰੀਖਣ ਕੀਤੇ ਕਲੱਸਟਰਿੰਗ ਕਲਾਸਾਂ ਦੀ ਗਿਣਤੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ; ਵੱਖ-ਵੱਖ ਜਮਾਤਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਨਕਸ਼ੇ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਇੱਕ ਇੱਕਲੇ ਕਲੱਸਟਰ ਵਿੱਚ ਬੰਦ ਨਾ ਹੋਵੋ; Change the number of classes and test whether the result remains geologically stable.

ਵਿਸ਼ੇਸ਼ਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਨੁਕਸਾਨ: ਮਲਟੀਵੇਰੀਏਟ ਰਿਸ਼ਤਾ

AI ਦਰਜਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਜੋੜ ਸਕਦਾ ਹੈ ਅਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕਲਾਸੀਫਾਇਰ ਬਣਾ ਸਕਦਾ ਹੈ। ਪਰ ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਥੋੜ੍ਹੇ ਜਿਹੇ ਖੂਹਾਂ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਨਾਲ ਓਵਰਫਿਟਿੰਗ ਦਾ ਨਤੀਜਾ ਹੁੰਦਾ ਹੈ - ਸਿਖਲਾਈ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਨੂੰ ਯਾਦ ਕਰਨ ਅਤੇ ਨਵੇਂ ਡੇਟਾ ਨੂੰ ਆਮ ਬਣਾਉਣ ਲਈ ਮਾਡਲ ਦੀ ਅਸਮਰੱਥਾ: ਨਕਸ਼ਾ ਖੂਹਾਂ ਵਿੱਚ ਸੰਪੂਰਨ ਹੈ ਅਤੇ ਖੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਅਰਥਹੀਣ ਹੈ। ਨਿਯਮ: ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਨਿਯੰਤਰਣ ਡੇਟਾ (ਚੰਗੀ ਤਰ੍ਹਾਂ) ਦੇ ਅਨੁਪਾਤ ਅਨੁਸਾਰ ਰੱਖੋ ਅਤੇ ਇੱਕ ਸੁਤੰਤਰ ਖੂਹ (ਅੰਨ੍ਹੇ ਟੈਸਟ) ਵਿੱਚ ਨਕਸ਼ੇ ਦੀ ਜਾਂਚ ਕਰੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਘੰਟਿਆਂ ਤੱਕ ਹੋਰਾਈਜ਼ਨ ਟਰੈਕਿੰਗ। 900 ਕਿ.ਮੀ.² ਦੇ ਵਾਲੀਅਮ ਵਿੱਚ ਮੁੱਖ ਸਰੋਵਰ ਹੋਰੀਜ਼ਨ ਨੂੰ 9 ਦਿਨਾਂ ਵਿੱਚ ਹੱਥੀਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। AI ਟਰੈਕਰ ਨੇ 3 ਘੰਟਿਆਂ ਵਿੱਚ 6 ਬੀਜ ਬਿੰਦੂਆਂ ਤੋਂ ਸਤ੍ਹਾ ਨੂੰ ਫੈਲਾਇਆ; ਸਮੀਖਿਅਕ ਨੇ ਹੱਥੀਂ 14 ਚੱਕਰ ਛੱਡਣ ਵਾਲੇ ਖੇਤਰ ਨੂੰ ਠੀਕ ਕੀਤਾ। ਨਤੀਜਾ: ਉਹੀ ਸ਼ੁੱਧਤਾ, ਦਿਨਾਂ ਦੀ ਬਜਾਏ ਇੱਕ ਦਿਨ।

ਕੇਸ 2 - ਕਿਸੇ ਨੁਕਸ ਲਈ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਦੀ ਗਲਤੀ ਕਰਨਾ। ਇੱਕ ਫਾਲਟ ਡਿਟੈਕਟਰ ਨਿਯਮਤ ਉੱਤਰ-ਦੱਖਣੀ ਰੇਖਾਵਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਦਾ ਹੈ। ਟਿੱਪਣੀਕਾਰ ਨੇ ਦੇਖਿਆ ਕਿ ਇਹ ਲਾਈਨਾਂ ਐਕਵਾਇਰ ਲਾਈਨ ਸਪੇਸਿੰਗ ਨਾਲ ਬਿਲਕੁਲ ਮੇਲ ਖਾਂਦੀਆਂ ਹਨ: ਉਹ ਨੁਕਸ ਨਹੀਂ ਸਨ, ਪਰ ਪ੍ਰਾਪਤੀ ਦੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਸਨ। ਅਸਲ ਨੁਕਸ ਇਸ ਨਿਯਮਤ ਪੈਟਰਨ ਲਈ ਲੰਬਵਤ ਚੱਲਦੇ ਸਨ; ਜਦੋਂ ਪੈਰ ਦਾ ਨਿਸ਼ਾਨ ਖਤਮ ਹੋ ਗਿਆ, ਨੁਕਸ ਦਾ ਨਕਸ਼ਾ ਸਾਰਥਕ ਹੋ ਗਿਆ।

ਕੇਸ 3 — ਓਵਰਫਿਟਿੰਗ ਚਿਹਰੇ ਦਾ ਨਕਸ਼ਾ। 22 ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਕੇਵਲ 5 ਖੂਹਾਂ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ ਵਰਗੀਕਰਣ ਨੇ ਖੂਹਾਂ 'ਤੇ 98% ਸ਼ੁੱਧਤਾ ਦਿੱਤੀ ਪਰ ਛੇਵੇਂ (ਅੰਨ੍ਹੇ) ਖੂਹ ਵਿੱਚ ਰੇਤਲੇ ਪੱਥਰ ਨੂੰ ਮਿੱਟੀ ਦੇ ਪੱਥਰ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ। ਜਦੋਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਗਿਣਤੀ 6 ਤੱਕ ਘਟਾ ਦਿੱਤੀ ਗਈ ਅਤੇ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ, ਤਾਂ ਅੰਨ੍ਹੇ ਖੂਹ ਦੀ ਸ਼ੁੱਧਤਾ 61% ਤੋਂ 88% ਤੱਕ ਵਧ ਗਈ: ਨਕਸ਼ਾ ਖੂਹਾਂ ਵਿੱਚ ਵੀ ਭਰੋਸੇਯੋਗ ਸੀ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਗੁਣ ਚੋਣ ਸਲਾਹ-ਮਸ਼ਵਰਾ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਭੂਚਾਲ ਦੀ ਵਿਆਖਿਆ ਮਾਹਰ। ਮੇਰਾ ਟੀਚਾ: [ਫਲੂਵੀਅਲ ਚੈਨਲ ਰੇਤ / ਕਾਰਬੋਨੇਟ ਭੰਡਾਰ]. ਕਿਹੜੀਆਂ ਭੂਚਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਇਕਸਾਰਤਾ, ਸਪੈਕਟ੍ਰਲ ਸੜਨ, RMS ਐਪਲੀਟਿਊਡ, ਢਲਾਨ) ਅਤੇ ਮੈਨੂੰ ਇਸ ਟੀਚੇ ਨੂੰ ਹਾਈਲਾਈਟ ਕਰਨ ਲਈ ਕਿਸ ਕ੍ਰਮ ਵਿੱਚ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ? ਹਰੇਕ ਗੁਣ ਕੀ ਦਰਸਾਉਂਦਾ ਹੈ, ਇਹ ਕਿਹੜਾ ਗੁੰਮਰਾਹਕੁੰਨ ਪੈਟਰਨ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ? ਸੰਖੇਪ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ.

2) ਆਟੋਮੈਟਿਕ ਹਰੀਜ਼ਨ ਨਿਰੀਖਣ:

ਮੇਰੇ ਕੋਲ ਇੱਕ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਟਰੈਕ ਕੀਤਾ ਗਿਆ ਰੁਖ ਹੈ। ਮੈਨੂੰ ਚੱਕਰ ਛੱਡਣ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਚੈਕਲਿਸਟ ਦਿਓ: ਮੈਨੂੰ ਕਿਹੜੇ ਭਾਗਾਂ ਵਿੱਚ, ਕਿਹੜੇ ਲੱਛਣਾਂ ਦੀ ਭਾਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ (ਐਂਪਲੀਟਿਊਡ ਡ੍ਰੌਪ, ਅਚਾਨਕ ਡੂੰਘਾਈ ਛਾਲ), ਮੈਂ ਵੈਲ ਟਾਈ ਨਾਲ ਕਿਵੇਂ ਪੁਸ਼ਟੀ ਕਰਾਂ, ਅਤੇ ਮੈਂ ਕਿਸ ਕ੍ਰਮ ਵਿੱਚ ਸੁਧਾਰ ਕਰਾਂ?

3) Facies class number testing:

ਮੈਂ ਨਿਰੀਖਣ ਕੀਤੇ ਚਿਹਰਿਆਂ ਦੀ ਕਲੱਸਟਰਿੰਗ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਮੈਂ ਕਲਾਸ 4,6 ਅਤੇ 8 ਦੀ ਗਿਣਤੀ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਨਕਸ਼ੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਾਹਮਣੇ ਆਏ। ਮੈਨੂੰ ਕਿਹੜੇ ਮਾਪਦੰਡ (ਕਲੱਸਟਰ ਆਕਾਰ ਦੀ ਵੰਡ, ਚੰਗੀ ਅਨੁਕੂਲਤਾ, ਸਥਾਨਿਕ ਇਕਸਾਰਤਾ) ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਦੇਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਕਲੱਸਟਰ ਭੂ-ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਸੰਤੁਲਿਤ ਹੈ? ਫੈਸਲੇ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਸੁਝਾਅ ਦਿਓ।

4) ਓਵਰਫਿਟਿੰਗ ਨਿਯੰਤਰਣ:

ਮੈਂ [N] ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ [M] ਖੂਹਾਂ ਦੇ ਨਾਲ ਇੱਕ ਫੇਸੀਜ਼ ਵਰਗੀਫਾਇਰ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਹੈ। ਮੈਂ ਓਵਰਫਿਟਿੰਗ ਦੇ ਜੋਖਮ ਨੂੰ ਕਿਵੇਂ ਮਾਪਾਂ? ਮੈਂ ਅੰਨ੍ਹੇ ਖੂਹ ਦੀ ਜਾਂਚ ਕਿਵੇਂ ਕਰਾਂ, ਮੈਂ ਖੂਹਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਗੁਣਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਕਿਵੇਂ ਸੀਮਤ ਕਰਾਂ? ਕਾਰਵਾਈਯੋਗ ਕਦਮ ਦਿਓ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਵਾਲੀਅਮ ਵਿੱਚ ਸਰੋਵਰ ਲੱਭੋ ਅਤੇ ਇਸਦਾ ਨਕਸ਼ਾ ਬਣਾਓ।

"ਲੱਭੋ" ਇੱਕ-ਕਦਮ ਦੇ ਜਾਦੂ ਦੀ ਉਮੀਦ ਕਰਦਾ ਹੈ; AI ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਅੰਕੜਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਰੋਵਰ-ਕੇਂਦ੍ਰਿਤ ਵਿਆਖਿਆ ਮਾਹਰ। ਪ੍ਰਸੰਗ: fluvialsystem, ਟਾਰਗੇਟ ਚੈਨਲ ਰੇਤ, 3 ਖੂਹ ਵਿੱਚ ਜਾਣਿਆ lithology. ਕਾਰਜ: (1) ਗੁਣਾਂ ਦੇ ਸੁਮੇਲ ਦਾ ਸੁਝਾਅ ਦਿਓ ਜੋ ਚੈਨਲ ਜਿਓਮੈਟਰੀ ਨੂੰ ਉਜਾਗਰ ਕਰਨਗੇ; (2) write the steps to extract candidate facies by unsupervised clustering; (3) ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਹਰੇਕ ਉਮੀਦਵਾਰ ਨੂੰ 3 ਖੂਹਾਂ ਅਤੇ ਇੱਕ ਅੰਨ੍ਹੇ ਚੌਥੇ ਖੂਹ ਨਾਲ ਕਿਵੇਂ ਟੈਸਟ ਕਰਨਾ ਹੈ। ਨਤੀਜਾ "ਉਮੀਦਵਾਰ" ਭਾਸ਼ਾ ਵਿੱਚ ਪੇਸ਼ ਕਰੋ, ਨਾ ਕਿ "ਭੂ-ਵਿਗਿਆਨਕ ਤੱਥ" ਭਾਸ਼ਾ ਵਿੱਚ।

ਭੂ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਿਯੰਤਰਣ, ਅਤੇ ਅੰਨ੍ਹੇ ਟੈਸਟਿੰਗ ਦੀ ਮੰਗ ਆਉਟਪੁੱਟ ਨੂੰ ਬਚਾਅ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

ਵਿਆਖਿਆ ਕਾਰਜ ਅਤੇ ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਖੋਜ

AI ਯੋਗਦਾਨ

ਮੁੱਖ ਜੋਖਮ

ਤਸਦੀਕ

ਹੋਰੀਜ਼ਨ ਟਰੈਕਿੰਗ

ਉੱਚ ਗਤੀ

ਸਾਈਕਲ ਛੱਡਣਾ

ਚੰਗੀ ਟਾਈ, ਵਿਜ਼ੂਅਲ ਸੈਕਸ਼ਨ ਦਾ ਨਿਰੀਖਣ

ਨੁਕਸ ਖੋਜ

ਉਮੀਦਵਾਰ ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ

ਆਪਣੇ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਨੂੰ ਨੁਕਸ ਨਾ ਸਮਝੋ

ਦਿਸ਼ਾ/ਕਰਾਸ ਡੇਟਾ ਨਿਯੰਤਰਣ

ਚਿਹਰੇ ਵਰਗੀਕਰਣ

ਕਲੱਸਟਰਿੰਗ

meaningless class

ਖੂਹ ਅਤੇ ਜਮ੍ਹਾ ਕਰਨ ਵਾਲਾ ਵਾਤਾਵਰਣ

ਗੁਣ ਮਿਲਾਉਣਾ

ਮਜ਼ਬੂਤ ਅੰਤਰ

ਓਵਰਫਿਟਿੰਗ

ਅੰਨ੍ਹੇ ਖੂਹ ਦੀ ਜਾਂਚ

ਆਮ ਗਲਤੀਆਂ

• ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ ਦੇ ਬਿਨਾਂ ਹੋਰੀਜ਼ਨ ਦਾ ਆਟੋਮੈਟਿਕ ਫੈਲਣਾ। ਸਾਈਕਲ ਛੱਡਣਾ ਨਿਰਵਿਘਨ ਪਰ ਗਲਤ ਸਤ੍ਹਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।
• ਕਿਸੇ ਨੁਕਸ ਲਈ ਹਰ ਰੇਖਿਕ ਪੈਟਰਨ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਗ੍ਰਹਿਣ ਪਦ-ਪ੍ਰਿੰਟ ਨਿਯਮਤ ਲਾਈਨਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਦਿਸ਼ਾ ਵੱਲ ਦੇਖੋ।
• ਸਿੱਧੇ ਭੂ-ਵਿਗਿਆਨਕ ਅਰਥਾਂ ਨੂੰ ਫੇਸ਼ੀਅਸ ਕਲਾਸ ਨਾਲ ਜੋੜਨਾ। ਕਲਾਸ ਅੰਕੜਾ ਹੈ; ਖੂਹ ਨਾਲ ਸਮਝਦਾਰੀ ਕਰੋ।
• ਜ਼ਿਆਦਾ ਗੁਣ, ਘੱਟ ਖੂਹ। ਓਵਰਫਿਟਿੰਗ ਖੂਹਾਂ ਦੇ ਵਿਚਕਾਰ ਨਕਸ਼ੇ ਨੂੰ ਕੂੜੇ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ।
• ਅੰਨ੍ਹੇ ਟੈਸਟ ਨੂੰ ਛੱਡੋ. ਸਿਰਫ ਸਿਖਲਾਈ ਦੇ ਖੂਹਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਨੂੰ ਮਾਪਣਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

ਭੂਚਾਲ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ AI; ਇਹ ਹਰੀਜ਼ਨ/ਫਾਲਟ ਟਰੈਕਿੰਗ ਨੂੰ ਘੰਟਿਆਂ ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ, ਚਿਹਰੇ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਕਲੱਸਟਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਗੁਣਾਂ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਪਰ ਹਰ ਗਤੀ ਦੇ ਲਾਭ ਦਾ ਇੱਕ ਜਾਲ ਹੁੰਦਾ ਹੈ: ਸਾਈਕਲ ਛੱਡਣਾ, ਕਿਸੇ ਨੁਕਸ ਲਈ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਸਮਝਣਾ, ਅਰਥਹੀਣ ਚਿਹਰੇ, ਓਵਰਫਿਟਿੰਗ। AI ਇੱਕ ਅੰਕੜਾ ਰੂਪ ਰੇਖਾ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਉਹ ਦੁਭਾਸ਼ੀਏ ਹੈ ਜੋ ਡਰਾਫਟ ਨੂੰ ਭੂ-ਵਿਗਿਆਨਕ ਹਕੀਕਤ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਖੂਹ ਅਤੇ ਜਮ੍ਹਾ ਵਾਤਾਵਰਣ ਦੇ ਗਿਆਨ ਨਾਲ ਇਸ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਅੰਨ੍ਹੇ ਪਰੀਖਿਆ ਨਾਲ ਇਸਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਅੰਤਮ ਭੂਮੀਗਤ ਮਾਡਲ ਹਮੇਸ਼ਾਂ ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਮਨੁੱਖ ਦੁਆਰਾ ਸਥਾਪਿਤ ਅਤੇ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਟੀਚਾ ਚੁਣੋ (ਚੈਨਲ ਰੇਤ, ਬੇਕਿੰਗ ਸੋਡਾ, ਆਦਿ)। "ਵਿਸ਼ੇਸ਼ਤਾ ਚੋਣ ਸਲਾਹ-ਮਸ਼ਵਰਾ" ਟੈਮਪਲੇਟ ਨਾਲ ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਯੋਜਨਾ ਬਣਾਓ। ਫਿਰ ਨਿਰੀਖਣ ਕੀਤੇ ਕਲੱਸਟਰਿੰਗ ਲਈ "ਫੇਸੀਜ਼ ਕਲਾਸ ਕਾਉਂਟ ਟੈਸਟਿੰਗ" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਵੱਖ-ਵੱਖ ਕਲਾਸ ਗਿਣਤੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ; ਲਿਖੋ ਕਿ ਕਿਹੜਾ ਭੂ-ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਵਧੇਰੇ ਸਥਿਰ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਕਿਹੜੀ ਚੰਗੀ ਜਾਂਚ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਮੁੱਖ ਭਾਗਾਂ ਵਿੱਚ ਆਟੋਮੈਟਿਕ ਹਰੀਜ਼ਨ ਦਾ ਦ੍ਰਿਸ਼ਟੀਗਤ ਤੌਰ 'ਤੇ ਨਿਰੀਖਣ ਕੀਤਾ ਅਤੇ ਚੱਕਰ ਛੱਡਣ ਨੂੰ ਠੀਕ ਕੀਤਾ।
• [ ] ਮੈਂ ਨੁਕਸ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਪੈਰਾਂ ਦੇ ਨਿਸ਼ਾਨ ਤੋਂ ਦਿਸ਼ਾ ਅਤੇ ਕਰਾਸ-ਓਵਰ ਡੇਟਾ ਨਾਲ ਵੱਖ ਕੀਤਾ।
• [ ] ਮੈਂ ਖੂਹ ਅਤੇ ਜਮ੍ਹਾ ਕਰਨ ਵਾਲੇ ਵਾਤਾਵਰਣ ਨਾਲ ਫੇਸਿਸ ਕਲਾਸਾਂ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ।
• [ ] ਮੈਂ ਖੂਹਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਗੁਣਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਸੀਮਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਇੱਕ ਅੰਨ੍ਹੇ ਖੂਹ ਵਿੱਚ ਨਤੀਜਾ ਪਰਖਿਆ।