ලාභ:
- වෙනස කුමන්ත්රණයකින් කෘතිම බුද්ධිය මත පදනම් වූ ශබ්ද මර්දනය පාලනය කිරීමේ හැකියාව සහ දුර්වල නමුත් සැබෑ පරාවර්තනය මැකීම වැළැක්වීම
- ව්යාජ විභේදනයක් ඇති කරන විසංයෝජනය කිරීමේ අවදානම සහ අවතාර ව්යුහයන් නිර්මාණය කරන ලුහුබැඳීමේ අන්තර් ක්රියාකාරිත්වයේ උගුල හඳුනාගෙන ඒවා වෙස්මුහුණකින් අනුගමනය කිරීමේ හැකියාව.
- හොඳින් ටයි පටියක් සමඟ සැකසුම් ප්රතිඵල සම්බන්ධ කිරීම මගින් භෞතික වලංගුභාවය තහවුරු කිරීමේ හැකියාව
ඔබ අමු භූ කම්පන වාර්තාවක් විවෘත කරන විට ඔබ දකින දේ කලාතුරකින් "උප මතුපිට පින්තූරයක්" වේ. ඒ වෙනුවට, ඔබ දකින්නේ සංකීර්ණ මිශ්රණයකි: භූගත, මතුපිට තරංග, අහඹු ශබ්දය, බහු පරාවර්තන සහ පටිගත කිරීමේ ආවේනික විකෘති කිරීම් වලින් පිළිබිඹු වන සැබෑ සංඥාව. භූ කම්පන දත්ත සැකසීම යනු පියවරෙන් පියවර පිරිසිදු කිරීම, පෙළගැස්වීම සහ මෙම අමු වාර්තාව භූගතව අර්ථකථනය කළ හැකි රූපයක් බවට පරිවර්තනය කිරීමේ ක්රියාවලියයි. මෙම ඒකකය තුළ, කෘත්රිම බුද්ධිය (AI) මෙම ක්රියාවලියේ ප්රබල ත්වරණකාරකයක් වන්නේ කෙසේදැයි අපි පැහැදිලි කරන්නෙමු, විශේෂයෙන්ම denoising, deconvolution සහ missing trace Filling වැනි පියවරයන්හිදී; නමුත් පරාමිති සහ භෞතික වලංගු තීරණ තවමත් විශේෂඥයා සමඟ පවතින්නේ මන්දැයි අපි බලමු.
භූ කම්පන දත්ත ව්යුහ විද්යාව
අපි කෙටි ශබ්දකෝෂයකින් පටන් ගනිමු. හෝඩුවාවක් යනු තනි ග්රාහකයක් විසින් වාර්තා කරන ලද කාලය මත රඳා පවතින විස්තාර ශ්රේණියකි. බොහෝ අංශු එකතු වූ විට, කොටසක් සෑදී ඇත. නියැදි පරතරය යනු අඛණ්ඩ විස්තාර අගයන් දෙකක් අතර කාලයයි (උදා: 2 ms). සංඥාව තුළ ඇති සැබෑ පරාවර්තනයන් උප පෘෂ්ටයේ ස්ථර මායිම්වල ධ්වනි සම්බාධනය වෙනස නිසා පැන නගී; සැකසීමේ පරමාර්ථය වන්නේ මෙම පරාවර්තන ශබ්දයෙන් වෙන් කර ඒවා නිවැරදි කාල අවකාශයේ ස්ථානගත කිරීමයි.
ශබ්දය ප්රධාන වර්ග දෙකකින් පැමිණේ: අහඹු ශබ්දය (නොගැලපෙන, ධාවන පථවලින් ස්වායත්ත) සහ සහසම්බන්ධ ඝෝෂාව (සංඛ්යාත ශබ්දය - සාමාන්ය, ප්රබල, පෘෂ්ඨීය තරංග/බිම් රෝල් වැනි සංඥාව වසන් කිරීම). AI මත පදනම් වූ ක්රම බොහෝ විට මෙම වර්ග දෙක වෙන් කිරීමේදී සම්ප්රදායික පෙරහන් වලට වඩා නම්යශීලී වන්නේ ඒවා ස්ථාවර සංඛ්යාත-වේග කවුළුවකට වඩා සාම්පල වලින් උගත් සංකීර්ණ වෙනස්කම් කිරීමක් භාවිතා කරන බැවිනි.
AI සමඟ ශබ්ද මර්දනය
සම්භාව්ය ශබ්දය මර්දනය කිරීම සංඛ්යාතය, වේගය (f-k ෆිල්ටරය) හෝ සංඛ්යාලේඛන මත පදනම්ව පෙරහන් සමඟ සිදු කෙරේ. AI මත පදනම් වූ ශබ්ද මර්දන යන්ත්ර (බොහෝ විට සංක්රමණික ස්නායු ජාල, කෙටියෙන් CNN; රූප වැනි දත්තවල දේශීය රටා ඉගෙන ගන්නා ජාල) "ඝෝෂාකාරී ආදානය → පිරිසිදු ප්රතිදානය" නියැදි යුගල වලින් ඉගෙන ගනී. එහි වාසිය: ශබ්දයෙන් සංඥාව වෙන් කිරීමේදී ස්ථාවර රීතියක් වෙනුවට සන්දර්භය-සංවේදී වෙනසක් සිදු කළ හැක. අවදානම්: පුහුණු දත්තවල නොමැති ශබ්ද වර්ගයක් හමු වූ විට සංඥාව මකා දැමීමේ හෝ ශබ්දය සංඥාවක් ලෙස තැබීමේ ප්රවණතාවය.
වඩාත්ම තීරනාත්මක අන්තරාය මෙයයි: ආක්රමණශීලී AI ශබ්ද මර්දනය කරන්නෙකුට දුර්වල නමුත් සැබෑ පරාවර්තනයක් ශබ්දය ලෙස වරදවා වටහාගෙන එය ඉවත් කළ හැකිය. එබැවින් ස්වර්ණමය රීතිය: ශබ්දය යටපත් කිරීමට පෙර සහ පසු වෙනස (ඉවත් කළ සංරචකය) බැලීමට වග බලා ගන්න. ඉවත් කරන ලද කොටසෙහි ස්ථාවර පරාවර්තන රටාවක් ඔබ දකින්නේ නම්, පෙරහන සංඥාව අනුභව කරයි.
ඉඟිය: YZ ශබ්ද මර්ධකය මගින් නිපදවන "ශබ්ද" ස්තරය වෙනම පෙත්තක් ලෙස (වෙනස කුමන්ත්රණයක්) සැලසුම් කරන්න. හොඳ මර්ධකයක අවශේෂ අහඹු ලෙස පෙනේ; එහි බෑවුම් සහිත, අඛණ්ඩ පරාවර්තන තිබේ නම්, පෙරහන ඉතා ආක්රමණශීලී වන අතර ඔබට පරාමිතිය මෘදු කළ යුතුය.
Deconvolution: මූලාශ්ර අත්සන ආපසු ලබා ගැනීම
Deconvolution යනු ප්රභවයේ තරංග අත්සන (මූලාශ්ර තරංගය - පිපිරුම්/කම්පනය මගින් නිපදවන තරංග ආකෘතිය) පටිගත කරන ලද හෝඩුවාවෙන් අඩු කිරීමෙන් උප මතුපිටේ සැබෑ පරාවර්තන ශ්රේණිය හෙළි කිරීමට උත්සාහ කරන ක්රියාවලියයි. ඉලක්කය වන්නේ විභේදනය වැඩි කිරීම සහ බහු පරාවර්තනයන් මර්දනය කිරීමයි. AI හට තරංග ඇස්තමේන්තුව සහ විසංයෝජනයේදී ශබ්දයට ශක්තිමත් බව වැඩිදියුණු කළ හැක; කෙසේ වෙතත්, decon අධික ලෙස යොදන්නේ නම්, එය අධි-සංඛ්යාත ශබ්දය වැඩි කර ව්යාජ විභේදනයක් ඇති කරයි. AI යනු මෙහි ද නිර්දේශිත එන්ජිමකි; අවසාන පරාමිතිය තේරීම (ඩිකොන් ක්රියාකරු දිග, පෙර සුදු කිරීම) අංශුවල භෞතික ස්වභාවය අනුව ප්රවීණ ලෙස ක්රමාංකනය කර ඇත.
අසම්පූර්ණ ලුහුබැඳීම සහ නිතිපතා නියැදීම
සමහර ග්රාහකයින් ක්ෂේත්රයේ අසමත් වේ, සමහර රේඛා අසම්පූර්ණව එකතු කරනු ලැබේ; එහි ප්රතිඵලයක් ලෙස දත්තවල හිඩැස් ඇතිවේ. සංක්රමණයට පෙර සාමාන්ය ජාලකයක් ලබා ගැනීමේදී AI මත පදනම් වූ අන්තර් ක්රියාකාරිත්වය (අසල්වාසීන්ගෙන් ඉගෙනීමෙන් නැතිවූ හෝඩුවාවන් පිරවීම) ඉතා ප්රයෝජනවත් වේ. කෙසේ වෙතත්, පිරවූ හෝඩුවාව ඇස්තමේන්තුවක් මිස මිනුමක් නොවේ; මෙම සලකුණු අර්ථ නිරූපනයේ සැබෑ දත්ත ලෙස සමාන බරකින් නොසැලකිය යුතුය, නමුත් ප්රතිදානයේ වෙන වෙනම සලකුණු කළ යුතුය.
අවවාදයයි: ඉන්ටර්පෝලේෂන් මගින් නිපදවන ලද හෝඩුවාවන් "සැබෑ දත්ත" ලෙසින් පසු පියවර වලදී ඉදිරියට ගියහොත්, ඒවා නොපවතින ව්යුහයක් නිර්මාණය කිරීමට හේතු විය හැක. ආවරණයක් සහිත පිරවූ සෛල සොයා ගන්න; තීරනාත්මක ව්යුහයක් අන්තර් සම්බන්ධිත කලාපයේ පමණක් දිස්වන්නේ නම්, එය විශ්වාස නොකරන්න.
කුඩා නඩු තුනක්
නඩුව 1 - ජාල ඉගෙනුම් බිම් රෝල්. ගොඩබිම් භූ කම්පනයේදී, ප්රබල මතුපිට තරංග (බිම් රෝල්) සංඥාව වසන් කරමින් සිටියේය. කණ්ඩායම අතින් පිරිසිදු කරන ලද පටිගත කිරීම් 800 කින් ඉගෙන ගත් CNN ශබ්ද මර්ධකයක් භාවිතා කරන ලදී; සැකසුම් කාලය වාර්තාවකට මිනිත්තු 12 සිට තත්පර 40 දක්වා අඩු විය. කණ්ඩායම සෑම කණ්ඩායමකින්ම 5% පටිගත කිරීම් අතින් පරීක්ෂා කළ අතර වෙනස කුමන්ත්රණයක් සමඟ සංඥා අලාභයක් නොමැති බව තහවුරු කළේය.
නඩුව 2 - මකා දැමූ දුර්වල පරාවර්තනය. තවත් ව්යාපෘතියක දී, ආක්රමණශීලී ලෙස සුසර කරන ලද YZ මර්ධකයක් තත්පර 2.4 ක දුර්වල නමුත් සැබෑ ජලාශ පරාවර්තනයක් ශබ්දය සඳහා වරදවා වටහාගෙන එය මකා දැමීය. වෙනස පැහැදිලි වූයේ හොඳින් භූ කම්පන ටයි පටිය ස්ථාපිත කළ විට පමණි: ළිඳෙහි ඇති පැහැදිලි තට්ටුව කොටසෙහි නොතිබුණි. පරාමිතිය සුමට කර නැවත සකස් කළ විට, පරාවර්තනය නැවත පැමිණියේය.
3 වන අවස්ථාව - අන්තරාලයේ අවතාරය. AI මගින් නැතිවූ රේඛා පුරවා ඇති ත්රිමාණ වෙළුමක, විචාරකයා සියුම් නාලිකා ව්යුහයක් දුටුවේය. පිරවුම් ආවරණය දෙස බැලූ විට, නාලිකාව හරියටම අන්තර්ගෝලිත අවකාශයට වැටී ඇති බව ඔහු දුටුවේය. අතිරේක ක්ෂේත්ර දත්ත එකතු කළ විට, නාලිකාව එහි නොමැති බව පැහැදිලි විය, නමුත් අනාවැකිය මගින් නිපදවන ලද රටාවකි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ප්රවාහ සටහන සැකසීම:
ඔබේ කාර්යභාරය: භූ කම්පන සැකසුම් විශේෂඥයා. දත්ත: [ඉඩම්/මුහුද, 2D/3D, නියැදීම 2 ms, ඉලක්කය 1-4 km]. මට පියවරෙන් පියවර සැකසුම් ප්රවාහයක් ගෙනහැර දක්වන්න (පෙර-සැකසීම → ශබ්ද මර්දනය → decon → ප්රවේග විශ්ලේෂණය → සංක්රමණය). සෑම පියවරකදීම, කුමන තීරණයට පරාමිති අවශ්යද සහ එම පරාමිතිය තෝරාගැනීමේදී මා සෙවිය යුතු දේ ලියන්න.
2) ශබ්ද මර්දන පාලන සැලැස්ම:
මම AI noise suppressor එකක් යෙදුවා. මට විගණන පිරික්සුම් ලැයිස්තුවක් දෙන්න: වෙනස කුමන්ත්රණයේ මා සෙවිය යුත්තේ කුමක්ද, සංඥා අලාභය හඳුනා ගන්නේ කෙසේද, මා පෙර/පසු සැසඳිය යුතු මෙට්රික් මොනවාද, මා අතින් පරීක්ෂා කළ යුතු පටිගත කිරීමේ අනුපාතය කුමක්ද? කෙටි හා ක්රියාකාරී ලියන්න.
3) Deconvolution පරාමිති උපදේශනය:
ඔබේ කාර්යභාරය: සැකසුම් උපදේශක. මම deconvolution යොදන අතර ඉහළ සංඛ්යාත ශබ්දය වැඩි විය. විය හැකි හේතූන්, ක්රියාකරු දිග සහ පෙර සුදු කිරීමේ සැකසුමේ බලපෑම පැහැදිලි කරන්න. අධික deco ව්යාජ විභේදනයක් ඇති කරන්නේ දැයි මා දැන ගන්නේ කෙසේද? එක් එක් යෝජනාව සඳහා හේතු දක්වන්න.
4) ඉන්ටර්පෝලේෂන් මාස්ක් ලුහුබැඳීම:
මම AI සමඟ නැතිවූ හෝඩුවාවන් පිරෙව්වා. මීළඟ පියවරේදී පුරවන ලද සෛල සලකුණු කර තබා ගන්නේ කෙසේද, සත්ය දත්ත වලින් අදහස් දැක්වීම වෙන් කරන්නේ කෙසේද සහ "අන්තර්ගත කළ කලාපයේ පමණක් පෙනෙන ව්යුහය" ඉවත් කරන්නේ කෙසේද යන්න මට කියන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
භූ කම්පන කාර්යක්ෂමතාවයේ ශබ්දය ඉවත් කරන්න, හොඳම සැකසුම කියන්න.
"හොඳම සැකසුම" දත්ත වලින් ස්වාධීනව නොපවතී; AI සාමාන්ය, පාලනය කළ නොහැකි නිර්දේශයක් ලබා දෙයි.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: භූ කම්පන සැකසුම් විශේෂඥයා. අස්වැන්න: කළු 2D, ශක්තිමත් භූගත රෝල් (5-12 Hz), ඉලක්ක පරාවර්තන 20-45 Hz, නියැදීම 2 ms. කාර්යය: ශබ්ද මර්දනය සඳහා ප්රවේශයක් යෝජනා කරන්න, කුමන සංරචක සංරක්ෂණය කළ යුතුද සහ කුමන ඒවා මර්දනය කළ යුතුද යන්න සංඛ්යාත-අනුපාත අනුව පැහැදිලි කරන්න. සංඥා නැතිවීමේ අවදානම (differenceplot metrics) මා නිරීක්ෂණය කරන්නේ කෙසේද සහ මම පෙර/පසු සංසන්දනය කරන්නේ කුමන මෙට්රික් සමඟද? "මෙම සැකසුම ඇතුල් කරන්න" පමණක් නොකියන්න; තීරණ නිර්ණායක ලබා දෙන්න.
දත්ත අක්ෂරය, ඉලක්ක කලාපය සහ පාලන නිර්ණායක අනුව, ප්රතිදානය සැබවින්ම ශක්ය වේ.
සැකසුම් පියවර සහ AI භූමිකාව
සැකසුම් පියවර
AI දායකත්වය
ප්රධාන අවදානම
මානව තීරණය
අහඹු ශබ්ද මර්දනය
ඉහළ
දුර්වල සංඥා මකන්න
පරාමිති තහවුරු කිරීම
ස්ථාවර ශබ්දය (බිම් රෝල්)
ඉහළ
අධික මර්දනය
වෙනස්කම් බිම් පාලනය
deconvolution
මධ්යම
ව්යාජ යෝජනාව
ක්රියාකරු / සුදු කිරීම
ට්රේස් ඉන්ටර්පෝලේෂන්
මධ්යම
අවතාර ගොඩනැගිල්ල
මාස්ක් ලුහුබැඳීම
වේග විශ්ලේෂණය
මධ්යම
වැරදි වේගයකින් සංක්රමණය වීම
හොඳින් තහවුරු කර ඇත
පොදු වැරදි
- වෙනස කුමන්ත්රණය නොබලා යටපත් කරනවා. ඔබ ඉවත් කරන ලද සංරචකය දකින තුරු ඔබට සංඥා නැතිවීමක් නොපෙනේ.
- ඩෙකොන් ඉක්මවා යාම. අධි-සංඛ්යාත ශබ්දය විභේදනය සඳහා වරදවා වටහා ගැනීම ව්යාජ ස්ථර නිපදවයි.
- අන්තර් සම්බන්ධිත හෝඩුවාව සැබෑ දත්ත ලෙස ගණන් කරන්න. පිරවූ සෛල සලකුණු නොකර තැබීමෙන් අවතාර ව්යුහයක් නිර්මාණය වේ.
- එක මෙට්රික් එකක් බලනවා. සංඥා-ශබ්ද අනුපාතය දෙස පමණක් බැලීම සහ පරාවර්තන සංරක්ෂණය නොසලකා හැරීම නොමඟ යවන සුළුය.
- ළිං ටයි පටිය මඟ හැරීම. ළිං දත්තවලට සම්බන්ධ නොකර සැකසීමේ ප්රතිඵලය අර්ථ නිරූපණය කිරීමට ඉදිරියට යාම.
සාරාංශයක් ලෙස
භූ කම්පන සැකසීමේදී, AI ශබ්දය මර්දනය, විසංයෝජනය සහ ලුහුබැඳීමේ මැදිහත්වීමේදී වැඩි වේගයක් සහ බොහෝ විට වඩාත් නම්යශීලී වෙන්වීමක් සපයයි. නමුත් සෑම පියවරකදීම භෞතික අන්තරායක් ඇත: දුර්වල සංඥා මකා දැමීම, ව්යාජ විභේදනය නිපදවීම, අවතාර කෞතුක වස්තු ඇති කිරීම. වෙනස බිම් පාලනය, ළිං ටයි සහ ඉන්ටර්පෝලේෂන් මාස්ක් වැනි පාලනයන් අත්යවශ්ය වන්නේ එබැවිනි. AI පරාමිති යෝජනා කරයි; දත්තවල භෞතික විද්යාවට අනුව පරාමිතිය වලංගු කර ප්රතිඵලය අර්ථකථනය කරන විශේෂඥයා වේ.
යෙදුම් කාර්යය
භූ කම්පන අංශයක් (සැබෑ හෝ නියැදිය) මත ශබ්ද මර්දනය කිරීමේ පියවරක් නිර්වචනය කරන්න. "සැකසුම් ප්රවාහ දළ සටහන්" අච්චුව සමඟ ප්රවාහය උපුටා ගන්න, ඉන්පසු "ශබ්ද මර්දන පාලන සැලැස්ම" අච්චුව සමඟ පිරික්සුම් ලැයිස්තුවක් නිෂ්පාදනය කරන්න. පෙර/පසු පෙති සහ වෙනස කුමන්ත්රණය සසඳා ඉවත් කරන ලද සංරචකයේ ස්ථාවර පරාවර්තනයක් තිබේද යන්න ඔබේම වචන වලින් තක්සේරු කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම ශබ්දය යටපත් කිරීමට පෙර/පසු සහ වෙනස කුමන්ත්රණය සංසන්දනය කළෙමි.
- [ ] ඉවත් කරන ලද සංරචකයේ ස්ථාවර සංඥාවක් නොමැති බව මම තහවුරු කර ඇත.
- [ ] මම decon ප්රතිඵලය අසත්ය විභේදනය සඳහා පරීක්ෂා කළෙමි.
- [ ] මම වෙස්මුහුණකින් සලකුණු කරන ලද අන්තර් සම්බන්ධිත හෝඩුවාවන් තබා ගත්තෙමි.
- [ ] මම ළිං දත්ත (ළිඳ ටයි) සමඟ ප්රතිඵලය බැඳ ඇත.