Прибыль:
- Поймите некорректную и многозначную природу инверсии и баланс между подгонкой данных и регуляризацией.
- Способность проверять ускорение искусственного интеллекта (суррогатная модель, изученная ранее) с помощью истинного прямого моделирования и распознавать навязанную геологию.
- Возможность сообщить о результате в виде распределения неопределенности, а не в виде единой модели, и показать разрешение/чувствительность и разделение предпосылок данных.
Самый глубокий вопрос в геофизике: какая модель недр дает данные, которые я измеряю на поверхности? Ответ на этот вопрос называется инверсией. В то время как прямое моделирование рассчитывает ожидаемые данные на основе известной модели недр, обратное моделирование делает противоположное: оно оценивает модель недр на основе наблюдаемых данных. В этом модуле вы узнаете, как искусственный интеллект (ИИ) ускоряет инверсию, занимая секунды, а не часы с использованием суррогатных моделей; но мы увидим, почему результаты ИИ никогда не могут быть прочитаны как «единственная истинная модель» из-за присущей инверсии многозначности и двусмысленности.
Фундаментальное напряжение обратного решения
Инверсия не является безобидной проблемой; Это некорректная задача: у нее может не быть решения, их может быть несколько, или небольшой шум в данных может привести к значительному изменению модели. Таким образом, инверсия уравновешивает две силы: несоответствие данных (насколько близки данные, полученные моделью, к наблюдаемым данным) и регуляризацию (добавление ограничения «правдоподобия» к модели, например, гладкости или близости к эталонной модели). Слишком большая подгонка данных также вносит в модель шум; слишком большая регуляризация стирает реальную структуру. Установка этого баланса (например, лямбда-веса регуляризации) влияет на всю интерпретацию.
Как ИИ ускоряет инверсию?
Классическая инверсия обновляет модель итеративно, запуская моделирование вперед от сотен до тысяч раз; При трехмерной электромагнитной или полной волновой инверсии это может занять от нескольких часов до нескольких дней. ИИ ускоряется тремя способами:
- Суррогатная модель (суррогат/эмулятор): сокращение цикла за счет аппроксимации тяжелых прямых вычислений с помощью быстрой предварительно обученной нейронной сети.
- Ранее изучено: использование ограничения «правдоподобия», полученного на основе реалистичных геологических моделей, вместо регуляризации.
- Прямой вывод (сквозной): мгновенное прогнозирование с помощью сетей, которые обучаются прямому сопоставлению данных с моделью (например, в некоторых одномерных инверсиях).
Каждый из них увеличивает скорость, но каждый из них представляет новый риск: суррогатная модель выйдет за пределы тренировочного диапазона; изученный априор может наложить на данные геологию обучающего набора (представляя несуществующую структуру «правдоподобной»); прямой вывод может переоценить его уверенность.
Совет: прежде чем принять результат инверсии, ускоренной искусственным интеллектом, проведите полученную модель через фактическое (физическое) прямое моделирование и сравните полученные ею данные с наблюдаемыми данными. Если решение, которое, по словам суррогатной модели, «подходит», не содержит данных, наблюдаемых в реальной физике, это решение недействительно.
Измерение неопределенности: распределение, а не единая модель
Результатом хорошей инверсии является не одна модель, а семейство возможных моделей. Способы измерения неопределенности: несколько прогонов с разными начальными моделями, разными весами регуляризации и вероятностными подходами (например, байесовская инверсия — подход, который дает результат в виде распределения вероятностей; апостериорное распределение). ИИ может ускорить выборку этого распределения (например, генерацию большого количества возможных моделей). Цель состоит не в том, чтобы сказать «андеграунд такой», а в том, чтобы «андерграунд такой в этом диапазоне и в этих регионах с такой уверенностью».
Внимание: чем более «четкой и подробной» выглядит карта инверсии, тем больше она может зависеть от решения и предпосылки регуляризации. Резкость – это не точность. Различают, какая область модели определяется данными, а какая — априорной/регуляризацией (анализ разрешения).
Разрешение и чувствительность
Не каждая ячейка каждой инверсионной модели одинаково надежна. Чувствительность — это то, насколько данные реагируют на эту область модели; Области, которые данные не могут «видеть» (низкая чувствительность), полностью заполнены посылкой и не несут реальной информации. ИИ может скрыть это различие, создавая быстрые решения. Поэтому рядом с полученной моделью необходимо включить карту разрешения/чувствительности.
три мини-кейса
Случай 1 — От часов до секунд. В магнитотеллурическом проекте (МТ — метод измерения подземного удельного сопротивления с использованием естественного электромагнитного поля) прогон 3D-инверсии занял 9 часов. Команда заменила переадресованную учетную запись на прокси-сеть, сократив сканирование сценариев до минут. Но они повторно прогнали окончательную модель с реальной физикой и подтвердили соответствие данных; Вручную исправили глубокую область, где прокси был отключен на 3%.
Случай 2 — Навязанная геология. Предпосылка, полученная на примере бассейнов из песчаника, была использована в карбонатном месторождении, и инверсия привела к образованию гладкослоистой структуры, хотя данные не подтверждали это. Карта настроений показала, что эта структура находилась именно в той глубокой области, которую не могли видеть данные: структура исходила из предпосылки, а не из данных. Когда посылка была изменена, модель стала реалистичной.
Случай 3 — Ошибка резкости. Две команды провели обратное решение одних и тех же гравитационных данных. Решение с низкой регуляризацией получилось резким, решение с высокой регуляризацией — неровным; Оба одинаково соответствуют данным. Было принято решение принять полисемию и включить обе модели в расчет резервуара; Фиксация одной модели скроет риск.
Четыре копируемых шаблона
1) Консультация по установке обратного решения:
Ваша роль: специалист по реверсам. Задача: [1D/2D/3D, метод: МТ/сейсмика/гравитация]. Объясните мне некорректность обратного решения; Как мне сбалансировать соответствие данных и регуляризацию, по каким критериям (L-кривая, перекрестная проверка) я выбираю вес регуляризации? Пишите поэтапно.
2) Проверка суррогатной модели:
Я ускорил прямое моделирование с помощью суррогатной модели искусственного интеллекта. Как определить диапазон параметров, в котором этот прокси-сервер надежен? Как подтвердить результат реальной физикой, как зафиксировать область отклонения прокси? Предложите протокол аутентификации.
3) Исследование неопределенности:
Мое обратное решение дало единственную закономерность. Как использовать разные стартовые модели, разные веса регуляризации и вероятностную выборку, чтобы внести неопределенность? Как сообщить о результате как «семейство моделей + доверительный интервал» вместо «одна модель»?
4) Разделение разрешения:
Я хочу разделить, какая область моей модели инверсии определяется данными, а какая — предпосылкой/регуляризацией. Как настроить анализ чувствительности/разрешения и отметить в отчете области с низкой чувствительностью?
Слабая подсказка / Сильная подсказка
Слабая подсказка:
Обратно решите эти данные и создайте подземную модель.
Одна модель ждет; За ним скрывается двусмысленность и двусмысленность, что приводит к суровому, но несостоятельному выводу.
Мощная подсказка:
Ваша роль: специалист по реверсам. Данные: [гравитационный профиль + плотность 2 скважин]. Задача: (1) создать эталонную модель путем балансирования данных и регуляризации; (2) варьировать вес регуляризации, чтобы получить как минимум три альтернативные модели и показать, что все они соответствуют данным; (3) какая область каждой модели определяется данными, а какая предпосылкой. Не представляйте результат как единственную правильную модель; Дайте с неопределенностью диапазон.
Требование к альтернативным моделям, подгонке данных и разделению разрешений делает обратное решение честным.
Инверсионные подходы
Подход
скорость
Основной риск
проверка
Классический итеративный
медленный
локальный минимум
многократный запуск
суррогатная модель
очень быстро
отклонение за пределы диапазона
Подтверждено реальной физикой
изученная предпосылка
быстро
геология
Карта чувствительности
Байесовский/вероятностный
средний
Стоимость аккаунта
Заднее распределение
Распространенные ошибки
- Думая, что единственная модель реальна. Обратное решение имеет большой смысл; Генерируйте альтернативы.
- Слепое принятие суррогатной модели. Не завершайте работу, не подтвердив результат фактическим будущим моделированием.
- Не ставя под сомнение предпосылку. Изученная предпосылка может создать структуру, которая не поддерживается данными.
- Принимаю резкость за точность. Детализация зависит от решения о регуляризации.
- Скрытие разрешения. Не представляйте области низкой чувствительности в качестве фактической информации.
В заключение
Инверсия является переходным этапом в геофизике от данных к модели и по своей сути является некорректной и многозначной задачей. ИИ; Суррогатные модели значительно ускоряют этот процесс за счет изученных априорных данных и прямого вывода. Но каждое ускорение несет в себе новый риск: дрейф за пределы допустимого диапазона, навязанная геология, преувеличенная уверенность. Правильное использование; создание альтернативных моделей, подтверждение реальной физикой, сообщение о неопределенности как о распределении и изолирование разрешения. Результатом обратного решения является не единственная истина, а семейство уверенно ограниченных моделей.
Задача приложения
Выберите задачу инверсии (одномерное удельное сопротивление, профиль силы тяжести и т. д.). Спланируйте компромисс между соответствием данных и регуляризацией с помощью шаблона «Консультация по настройке решения для отмены». Затем создайте процедуру для создания как минимум трех альтернативных моделей с помощью шаблона «Исследование неопределенности» и сравнения их с соответствием данным. Напишите, как бы вы отличали, какой регион определяется данными, а какой — предпосылкой.
контрольный список
- [ ] Я сознательно нашел баланс между соблюдением данных и регуляризацией.
- [ ] Я создал как минимум три альтернативные модели и сравнил их соответствие данным.
- [ ] Я подтвердил ускорение суррогатного/ИИ с реальной физикой.
- [ ] Я продемонстрировал разделение данных и предпосылок с помощью карты разрешения/чувствительности.
- [ ] Я сообщил результат с диапазоном неопределенности, а не с одной моделью.