Прибыль:
- Возможность управлять подавлением шума на основе искусственного интеллекта с помощью разностного графика и предотвращать стирание слабых, но реальных отражений.
- Способность распознавать риск деконволюции, приводящей к ложному разрешению, и ловушку интерполяции трасс, создающую призрачные структуры, и следить за ними с помощью маски.
- Возможность проверки физической достоверности путем сопоставления результатов обработки с привязкой скважины
То, что вы видите, когда открываете необработанные сейсмические записи, редко является «картиной недр». Вместо этого вы видите сложную смесь: реальный сигнал, отраженный от земли, поверхностные волны, случайный шум, множественные отражения и внутренние искажения записи. Обработка сейсмических данных — это процесс поэтапной очистки, выравнивания и преобразования этих необработанных данных в интерпретируемое изображение подземных территорий. В этом модуле мы объясним, как искусственный интеллект (ИИ) является мощным ускорителем этого процесса, особенно на таких этапах, как шумоподавление, деконволюция и заполнение недостающих трасс; но мы увидим, почему решения о параметрах и физической достоверности по-прежнему остаются за экспертом.
Анатомия сейсмических данных
Начнем с краткого глоссария. Трасса представляет собой зависящую от времени серию амплитуд, записанную одним приемником. Когда множество следов собираются вместе, образуется секция. Интервал выборки — это время между двумя последовательными значениями амплитуды (например, 2 мс). Фактические отражения в сигнале возникают из-за разницы акустического импеданса границ слоев в недрах; Цель обработки — отделить эти отражения от шума и поместить их в правильное место во времени и пространстве.
Шум бывает двух основных типов: случайный шум (некогерентный, независимый от дорожек) и когерентный шум (когерентный шум — регулярный, сильный, маскирующий сигнал, например, поверхностные волны/качка грунта). Методы на основе искусственного интеллекта часто более гибки, чем традиционные фильтры, в разделении этих двух типов, поскольку они используют сложную дискриминацию, полученную на основе выборок, а не фиксированное окно частоты и скорости.
Шумоподавление с помощью ИИ
Классическое шумоподавление осуществляется с помощью фильтров, основанных на частоте, скорости (фильтр fk) или статистике. Подавители шума на основе искусственного интеллекта (в основном сверточные нейронные сети, сокращенно CNN; сети, которые изучают локальные закономерности в данных, подобных изображениям), обучаются на парах выборок «шумный вход → чистый вывод». Его преимущество: он может проводить контекстно-зависимое различие вместо фиксированного правила при отделении сигнала от шума. Риск: тенденция удалять сигнал или оставлять шум как сигнал при обнаружении типа шума, которого нет в обучающих данных.
Самая серьезная опасность заключается в следующем: агрессивный шумоподавитель ИИ может принять слабое, но реальное отражение за шум и устранить его. Итак золотое правило: обязательно просмотрите разницу (удаленный компонент) до и после шумоподавления. Если вы видите устойчивую картину отражения в удаленной части, фильтр поглощает сигнал.
Совет: Постройте слой «шума», создаваемый подавителем шума YZ, как отдельный срез (разностный график). Остаток хорошего репрессора появляется случайно; Если в нем есть наклонные, сплошные отражения, то фильтр слишком агрессивен и нужно смягчить параметр.
Деконволюция: возвращение исходной подписи
Деконволюция — это процесс, который пытается выявить истинный ряд отражений недр путем вычитания вейвлет-сигнатуры источника (исходный вейвлет — форма волны, создаваемой взрывной волной/вибратором) из записанной трассы. Цель — повысить разрешение и подавить множественные отражения. ИИ может улучшить оценку вейвлетов и устойчивость к шуму при деконволюции; Однако, если деконструкция применяется чрезмерно, это приведет к усилению высокочастотного шума и снижению разрешения. ИИ и здесь является рекомендательным механизмом; Окончательный выбор параметров (длина оператора деконсервации, предварительное отбеливание) профессионально калибруется в соответствии с физическим характером следов.
Неполная интерполяция трасс и регулярная выборка
Некоторые приемники выходят из строя в полевых условиях, некоторые линии собираются не полностью; В результате в данных возникают пробелы. Интерполяция на основе искусственного интеллекта (заполнение недостающих трасс путем изучения соседей) очень полезна для получения регулярной сетки перед миграцией. Однако заполненная трасса является оценкой, а не измерением; Эти следы не следует рассматривать с таким же весом, как и реальные данные при интерпретации, но их следует отмечать отдельно в выходных данных.
Внимание: если трассы, полученные в результате интерполяции, на последующих этапах будут восприниматься как «реальные данные», это может привести к созданию несуществующей структуры. Обведите заполненные ячейки маской; Если критическая структура появляется только в интерполированной области, не доверяйте ей.
три мини-кейса
Случай 1. Начальный этап сетевого обучения. При наземной сейсморазведке сигнал маскировали сильные поверхностные волны (качка грунта). Команда использовала шумоподавитель CNN, который учился на 800 очищенных вручную записях; время обработки уменьшилось с 12 минут до 40 секунд на запись. Команда вручную проверила 5% записей из каждой партии и подтвердила отсутствие потери сигнала с помощью графика различий.
Случай 2 — удалено слабое отражение. В другом проекте агрессивно настроенный подавитель YZ принял слабое, но реальное отражение резервуара на частоте 2,4 секунды за шум и стер его. Разница стала очевидна только тогда, когда была установлена привязка скважины к сейсмике: чистый слой скважины в разрезе отсутствовал. Когда параметр был сглажен и повторно обработан, отражение вернулось.
Случай 3 — Призрак интерполяции. В трехмерном объеме, где недостающие строки были заполнены искусственным интеллектом, комментатор заметил тонкую структуру каналов. Посмотрев на маску заливки, он увидел, что канал попадает точно в интерполированное пространство. Когда были собраны дополнительные полевые данные, стало ясно, что это не канал, а закономерность, вытекающая из прогноза.
Четыре копируемых шаблона
1) Схема процесса обработки:
Ваша роль: специалист по сейсмической обработке. Данные: [суша/море, 2D/3D, выборка 2 мс, цель 1–4 км]. Опишите мне пошаговый процесс обработки (предварительная обработка → шумоподавление → деконструкция → анализ скорости → миграция). На КАЖДОМ этапе запишите, какое решение требует параметров и на что мне следует обратить внимание при выборе этого параметра.
2) План управления шумоподавлением:
Я применил шумоподавитель AI. Дайте мне контрольный список аудита: что мне следует искать на графике различий, как мне распознать потерю сигнала, какой показатель мне следует сравнить до/после, какую скорость записи мне следует проверить вручную? Пишите коротко и по делу.
3) Консультация по параметрам деконволюции:
Ваша роль: консультант по обработке. Я применяю деконволюцию и увеличиваю высокочастотный шум. Объясните возможные причины, длительность работы оператора и влияние настройки предварительного отбеливания. Как узнать, приводит ли чрезмерная декомпрессия к ложному разрешению? Аргументируйте каждое предложение.
4) Отслеживание маски интерполяции:
Я восполнил недостающие следы с помощью ИИ. Подскажите, как на следующих шагах сохранить отмеченность заполненных ячеек, как отделить комментарий от реальных данных и как устранить "структуру, видимую только в интерполированной области".
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Устраните шум в сейсмической эффективности, выберите наилучшие настройки.
«Наилучшей настройки» не существует независимо от данных; ИИ дает общие, неконтролируемые рекомендации.
Мощная подсказка:
Ваша роль: специалист по сейсмической обработке. Выход: черный 2D, сильный откат (5–12 Гц), отражения от цели 20–45 Гц, время выборки 2 мс. Задача: предложить подход к подавлению шума, объяснить в частотном плане, какую составляющую сохранить, а какую подавить. Как отслеживать риск потери сигнала (показатели графика разностей) и с какими показателями сравнивать до/после? Не говорите просто «введите эту настройку»; Назовите критерии решения.
Учитывая характер данных, целевой диапазон и критерии контроля, результат становится действительно осуществимым.
Этапы обработки и роль ИИ
Этап обработки
Вклад ИИ
Основной риск
человеческое решение
Подавление случайного шума
высокий
Удалить слабый сигнал
Подтверждение параметра
Постоянный шум (качание земли)
высокий
чрезмерное подавление
Управление разностным графиком
деконволюция
средний
поддельное разрешение
Оператор/отбеливание
Интерполяция трассировки
средний
здание-призрак
Отслеживание маски
Анализ скорости
средний
Миграция с неправильной скоростью
Подтверждено хорошо
Распространенные ошибки
- Подавление без рассмотрения графика различий. Вы не заметите потери сигнала, пока не увидите удаленный компонент.
- Переусердствование с деконструкцией. Если принять высокочастотный шум за разрешение, это приведет к появлению побочных слоев.
- Считайте интерполированную трассу реальными данными. Если оставить заполненные ячейки неотмеченными, это приведет к созданию призрачной структуры.
- Смотрим на один показатель. Было бы ошибочно рассматривать только соотношение сигнал/шум и игнорировать сохранение отражения.
- Обход скважинной связи. Переходим к интерпретации результата обработки без привязки его к скважинным данным.
В заключение
При обработке сейсмических данных искусственный интеллект обеспечивает большую скорость и зачастую более гибкое разделение при подавлении шума, деконволюции и интерполяции трасс. Но на каждом этапе есть физическая ловушка: стирание слабого сигнала, получение ложного разрешения, появление ложных артефактов. Вот почему такие элементы управления, как управление разностным графиком, привязка скважин и маска интерполяции, просто необходимы. ИИ предлагает параметры; Именно эксперт проверяет параметр в соответствии с физикой данных и делает результат интерпретируемым.
Задача приложения
Определите шаг подавления шума на сейсмическом разрезе (реальном или выборочном). Извлеките поток с помощью шаблона «Схема потока обработки», затем создайте контрольный список с помощью шаблона «План управления шумоподавлением». Сравните срезы «до» и «после», а также график различий и оцените своими словами, имеется ли последовательное отражение в удаленном компоненте.
контрольный список
- [ ] Я сравнил график различий до и после шумоподавления.
- [ ] Я убедился, что в удаленном компоненте нет постоянного сигнала.
- [ ] Я проверил результат деконфигурации на наличие ложного разрешения.
- [ ] Я оставил интерполированные кривые отмеченными маской.
- [ ] Я связал результат с данными скважины (связь скважин).