ලාභ:
- ස්වයංක්රීය ක්ෂිතිජ ලුහුබැඳීමේදී චක්රය මඟ හැරීම සහ දෝෂ හඳුනාගැනීමේදී අත්පත් කර ගැනීමේ අඩිපාර සැබෑ ව්යුහයෙන් වෙන්කර හඳුනාගෙන එය අතින් පරීක්ෂා කිරීමේ හැකියාව
- භූ කම්පන මුහුණු පන්ති සංඛ්යානමය බවත් ළිං සහ තැන්පත් පරිසරයන් පිළිබඳ දැනුමෙන් භූ විද්යාත්මක අර්ථයක් ඇති කිරීමට හැකි බවත් තේරුම් ගන්න.
- අන්ධ ළිං පරීක්ෂණය සමඟ විශේෂාංග සංයෝජනයෙන් අධික ලෙස සවි කිරීමේ අවදානම පරීක්ෂා කිරීමේ හැකියාව සහ ළිං ගණන අනුව විශේෂාංග ගණන සීමා කිරීම
සැකසීම අවසන්; ඔබට පිරිසිදු, සංක්රමණය වූ භූ කම්පන පරිමාවක් ඇත. දැන් සැබෑ ප්රශ්නය ආරම්භ වේ: මෙම රූපය භූගත ගැන පවසන්නේ කුමක්ද? ස්තර මායිම් කොහේද, දෝෂ පැතිරෙන්නේ කුමන දිශාවටද, වැලි කොයි ප්රදේශයද, කුමන මැටිද, ජලාශයක් තිබිය හැක්කේ කොතැනද? භූ කම්පන අර්ථ නිරූපණය යනු සංක්රමණය වූ දත්ත වලින් උප මතුපිට ව්යුහාත්මක සහ අවසාදිත (ස්ට්රැටිග්රැෆික්) ආකෘතිය නිස්සාරණය කිරීමේ ක්රියාවලියයි. මෙම ඒකකය තුළ, අපි කෘත්රිම බුද්ධිය (AI) ක්ෂිතිජය සහ දෝෂ ලුහුබැඳීම, භූ කම්පන මුහුණු වර්ගීකරණය සහ ගුණාංග විශ්ලේෂණය තුළ "ඉක්මන් පළමු කෙටුම්පතක්" නිපදවන්නේ කෙසේදැයි බලමු, නමුත් භූ විද්යාත්මක අර්ථය සහ අවසාන ආකෘතිය ගොඩනඟන්නේ කවුරුන්ද යන්න.
අර්ථකථනය ගොඩනැගීමේ කොටස්
අපි නියමයන් පැහැදිලි කරමු. ක්ෂිතිජය යනු භූ කම්පන අංශයේ නිරීක්ෂණය කරන ලද අඛණ්ඩ පරාවර්තක පෘෂ්ඨයක් වන අතර සාමාන්යයෙන් භූගෝලීය ස්ථර මායිමකට අනුරූප වේ. දෝෂයක් යනු ස්ථර බිඳී මාරු වන විසන්ධි තලයකි; පරාවර්තන බාධා කිරීම් හෝ හරස්කඩේ මාරු කරන ස්ථානවල එය දිස්වේ. භූ කම්පන මුහුණු යනු සමාන තරංග ස්වභාවයක් ඇති (විස්තාරය, අඛණ්ඩතාව, වයනය) සහ සාමාන්යයෙන් සමාන අවසාදිත පරිසරයක් පිළිබිඹු කරන පරිමා කලාප වේ. Seismic attributes යනු යම් යම් ලක්ෂණ වෙත ඇස යොමු කරන අංශු වලින් ලබාගත් මිනුම් වේ (අනත්තිමත් බව, බෑවුම, විස්තාරය, සංඛ්යාතය); උදාහරණයක් ලෙස, coherence/continuity attribute දෝෂ ඉස්මතු කරන අතර වර්ණාවලි වියෝජනය නාලිකා ජ්යාමිතිය ඉස්මතු කරයි.
ක්ෂිතිජයේ සහ වැරදි ලුහුබැඳීමේ දී AI
හස්තීය ක්ෂිතිජය ලුහුබැඳීම යනු පරිවර්තකයා විසින් කොටසින් පරාවර්තන අංශයක් ලුහුබැඳීම සහ ලක්ෂ්ය දහස් ගණනක් සලකුණු කිරීමයි-නිවැරදි නමුත් මන්දගාමී වේ. AI මත පදනම් වූ ස්වයංක්රීය ට්රැකර් හට බීජ ස්ථාන කිහිපයකින් ආරම්භ වී සම්පූර්ණ පරිමාව පුරා පැතිර යා හැක; දෝෂ හඳුනාගැනීමේදී, CNN මත පදනම් වූ ආකෘති (රූප රටා ඉගෙනුම් ජාල) පරිමාව පුරාවටම අත්හිටුවීම් සලකුණු කළ හැක. මෙය අතින් සති කිහිපයක් ගත වූ දේ පැයවලට කපා දමයි.
කෙසේ වෙතත්, උගුල් දෙකක් තිබේ. පළමුව, ස්වයංක්රීය ට්රැකර්ට ක්ෂිතිජයක් මඟ හැරිය හැක - එක් තරංග ලාංඡනයේ සිට අසල්වැසි ලාංඡනයකට මාරු වීම; එහි ප්රතිඵලය වන්නේ සුමට ලෙස පෙනෙන නමුත් භූ විද්යාත්මකව සාවද්ය මතුපිටකි. දෙවනුව, දෝෂ අනාවරකය විසින් සැකසුම-ජනනය කරන ලද රේඛීය ඝෝෂාව (උදා: අත්පත් කර ගැනීමේ අඩිපාර) දෝෂයක් ලෙස වරදවා වටහා ගත හැක. AI විසින් ජනනය කරන ලද සෑම මතුපිටක් සහ දෝෂ ජාලයක්ම මංසන්ධිවල (දෝෂ-ක්ෂිතිජ ඡේදනය) සහ ළිං ස්ථානවලදී අතින් පරීක්ෂා කරනු ලබන්නේ එබැවිනි.
ඉඟිය: ප්රධාන කොටස් කිහිපයක ස්වයංක්රීයව හඹා යන ක්ෂිතිජයක් දත්ත මතම උඩින් තැබීමෙන් දෘශ්යමය වශයෙන් නිරීක්ෂණය කරන්න. මතුපිට චක්රය මඟ හැර ඇති අතර එහිදී එය ප්රබල පරාවර්තනයක් ඉතිරි කර දුර්වල උච්චයකට පනියි; මෙම ප්රදේශ අතින් නිවැරදි කිරීමකින් තොරව ශබ්දය පැතිරෙන්න එපා.
භූ කම්පන මුහුණු වර්ගීකරණය
මුහුණු වර්ගීකරණය යනු තරංග ස්වභාවය අනුව පරිමාව කලාපවලට බෙදීමේ කාර්යයයි. අධීක්ෂණය කරන ලද ප්රවේශයේදී, ඔබ ළිංවල දන්නා පාෂාණවලින් ලේබල් ලබා දී ආකෘතිය පුහුණු කරන්න; අධීක්ෂණය නොකළ ප්රවේශයේදී, ආකෘතියම සමාන ලක්ෂණ සහිත කලාප පොකුරු කරන අතර ඔබ පසුව භූ විද්යාත්මක අර්ථයක් ලබා දෙයි. AI මෙහි විශාල වේගයක් සපයයි, නමුත් පන්ති යනු සංඛ්යානමය සමානකම් මිස භූ විද්යාත්මක කරුණක් නොවේ. ආකෘතිය "ෆේසීස් 3" ලෙස හඳුන්වන කලාපයට "නාලිකා වැලි" වැනි අර්ථයක් ලැබෙන්නේ ළිඳ සහ තැන්පත් පරිසරය පිළිබඳ දැනුමෙන් පමණි.
අවධානය: ඔබ අධීක්ෂණය නොකළ පොකුරු පන්ති සංඛ්යාව සපයයි; විවිධ පන්ති සංඛ්යා සම්පූර්ණයෙන්ම වෙනස් සිතියම් නිෂ්පාදනය කරයි. තනි පොකුරකට කොටු නොවන්න; පන්ති ගණන වෙනස් කර ප්රතිඵලය භූ විද්යාත්මකව ස්ථායී වේද යන්න පරීක්ෂා කරන්න.
විශේෂාංග විශ්ලේෂණයේ අන්තරාය: බහුවිචල්ය සම්බන්ධතාවය
AI හට විශේෂාංග දුසිම් ගණනක් ඒකාබද්ධ කර බලවත් වර්ගීකරණ ගොඩනැගිය හැක. නමුත් ළිං කුඩා සංඛ්යාවකට විශේෂාංග විශාල සංඛ්යාවක් සවි කිරීමට උත්සාහ කිරීම අධික ලෙස ගැලපීමට හේතු වේ - පුහුණු උදාහරණ මතක තබා ගැනීමට සහ නව දත්ත වලට සාමාන්යකරණය කිරීමට ආකෘතියේ නොහැකියාව: සිතියම ළිංවල පරිපූර්ණ වන අතර ළිං අතර තේරුමක් නැත. රීතිය: පාලන දත්තවලට (හොඳින්) සමානුපාතික ලක්ෂණ ගණන තබා ස්වාධීන ළිඳක සිතියම පරීක්ෂා කරන්න (අන්ධ පරීක්ෂණය).
කුඩා නඩු තුනක්
නඩුව 1 - Horizon tracking down to hours. 900 km² පරිමාවකින් යුත් ප්රධාන ජලාශ ක්ෂිතිජය දින 9 කින් අතින් සලකුණු කරන ලදී. AI ට්රැකර් පැය 3 කින් බීජ ලක්ෂ්ය 6 සිට මතුපිට පැතිරෙයි; සමාලෝචකයා විසින් චක්ර 14 මඟ හැරීමේ ප්රදේශය අතින් නිවැරදි කරන ලදී. ප්රතිඵලය: එකම නිරවද්යතාව, දින වෙනුවට එක් දිනක්.
නඩුව 2 - වරදක් සඳහා පා සලකුණක් වරදවා වටහා ගැනීම. දෝෂ අනාවරකයක් සාමාන්ය උතුරු-දකුණු රේඛා සලකුණු කළේය. මෙම රේඛා අත්පත් කර ගැනීමේ රේඛා පරතරයට හරියටම අනුරූප වන බව විචාරකයා දුටුවේය: ඒවා දෝෂ නොවේ, නමුත් අත්පත් කර ගැනීමේ අඩිපාර. සැබෑ දෝෂ මෙම නිත්ය රටාවට ලම්බකව දිව ගියේය; පා සලකුණ ඉවත් කළ විට, දෝෂ සිතියම අර්ථවත් විය.
නඩුව 3 - මුහුණු සිතියම අධික ලෙස සවි කිරීම. විශේෂාංග 22 කින් සහ ළිං 5 කින් පමණක් පුහුණු කරන ලද වර්ගීකරණයක් ළිං මත 98% නිරවද්යතාවයක් ලබා දුන් නමුත් හයවන (අන්ධ) ළිඳෙහි වැලිගල් මැටි ගල් ලෙස වර්ගීකරණය කර ඇත. විශේෂාංග ගණන 6 දක්වා අඩු කර නැවත පුහුණු කළ විට, අන්ධ ළිං නිරවද්යතාවය 61% සිට 88% දක්වා වැඩි විය: සිතියම ළිං හරහා ද විශ්වාසදායක විය.
පිටපත් කළ හැකි සැකිලි හතරක්
1) ගුණාංග තේරීමේ උපදේශනය:
ඔබේ භූමිකාව: භූ කම්පන අර්ථකථන විශේෂඥ. මගේ ඉලක්කය: [fluvial channel sand / carbonate reservoir]. කුමන භූ කම්පන ගුණාංග (සමගිතාව, වර්ණාවලි වියෝජනය, RMS විස්තාරය, බෑවුම) සහ මෙම ඉලක්කය ඉස්මතු කිරීමට මා භාවිතා කළ යුත්තේ කුමන අනුපිළිවෙලටද? එක් එක් ගුණාංගය නියෝජනය කරන්නේ කුමක්ද, එය නිපදවිය හැකි නොමඟ යවන රටාව කුමක්ද? කෙටියෙන් පැහැදිලි කරන්න.
2) ස්වයංක්රීය ක්ෂිතිජ පරීක්ෂාව:
මට ස්වයංක්රීයව හඹා ගිය ක්ෂිතිජයක් ඇත. චක්රය මග හැරීම හඳුනා ගැනීම සඳහා මට පිරික්සුම් ලැයිස්තුවක් ලබා දෙන්න: කුමන අංශවල, මා සෙවිය යුත්තේ කුමන රෝග ලක්ෂණද (විස්තාරය පහත වැටීම, හදිසි ගැඹුර පැනීම), ළිං ටයි පටිය සමඟ මා තහවුරු කරන්නේ කෙසේද සහ මම නිවැරදි කිරීම සිදු කරන්නේ කුමන අනුපිළිවෙලටද?
3) මුහුණු පන්ති අංක පරීක්ෂාව:
මම අධීක්ෂණය නොකළ මුහුණු පොකුරු කිරීම සිදු කරනවා. මම 4,6 සහ 8 පන්ති ගණන උත්සාහ කළා, සිතියම් වෙනස් ආකාරයකින් එළියට ආවා. කුමන නිර්ණායක (පොකුරු ප්රමාණය ව්යාප්තිය, හොඳින් ගැළපීම, අවකාශීය අනුකූලතාව) වඩාත් භූ විද්යාත්මකව සමතුලිත වන්නේ කුමන පොකුරද යන්න තක්සේරු කිරීමට මා බැලිය යුතුද? තීරණ ක්රියා පටිපාටියක් යෝජනා කරන්න.
4) අධි සවි කිරීම් පාලනය:
මම [N] විශේෂාංග සහ [M] ළිං සහිත මුහුණු වර්ගීකරණයක් පුහුණු කළෙමි. අධික ලෙස සවි කිරීමේ අවදානම මැනිය හැක්කේ කෙසේද? අන්ධ ළිං පරීක්ෂණයක් සකසන්නේ කෙසේද, ළිං ගණන මත පදනම්ව ගුණාංග ගණන සීමා කරන්නේ කෙසේද? ක්රියා කළ හැකි පියවර දෙන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මෙම වෙළුමේ ජලාශය සොයාගෙන එය සිතියම්ගත කරන්න.
"සොයන්න" එක් පියවරක් මැජික් අපේක්ෂා කරයි; AI භූ විද්යාත්මක සන්දර්භයකින් තොරව සංඛ්යාන සිතියමක් නිපදවයි, එය සත්යාපනය කළ නොහැක.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ජලාශය කේන්ද්ර කරගත් පරිවර්තන විශේෂඥයා. සන්දර්භය: fluvialsystem, target channel sand, lithology දන්නා ළිං 3ක්. කාර්යය:(1) නාලිකා ජ්යාමිතිය උද්දීපනය කරන ගුණාංග සංයෝජනය යෝජනා කරන්න; (2) අධීක්ෂණය නොකළ පොකුරු මගින් අපේක්ෂක මුහුණු උකහා ගැනීමේ පියවර ලියන්න; (3) එක් එක් අපේක්ෂකයා ළිං 3ක් සහ අන්ධ 4 වැනි ළිඳක් සහිතව පරීක්ෂා කරන්නේ කෙසේදැයි මට කියන්න. "භූ විද්යාත්මක කරුණු" භාෂාවෙන් නොව "අපේක්ෂක" භාෂාවෙන් ප්රතිඵලය ඉදිරිපත් කරන්න.
භූ විද්යාත්මක සන්දර්භය, ළිං පාලනය සහ අන්ධ පරීක්ෂණ සඳහා ඇති ඉල්ලුම ප්රතිදානය ආරක්ෂාකාරී කරයි.
අර්ථ නිරූපණ කාර්යයන් සහ AI හි කාර්යභාරය
ගවේෂණය
AI දායකත්වය
ප්රධාන අවදානම
සත්යාපනය
Horizon tracking
අධික වේගය
චක්රය මඟ හැරීම
හොඳින් ටයි පටිය, දෘශ්ය අංශය පරීක්ෂා කිරීම
දෝෂ හඳුනාගැනීම
අපේක්ෂකයින් බිහි කිරීම
ඔබේ පා සලකුණ වරදක් ලෙස වරදවා වටහා නොගන්න
දිශාව / හරස් දත්ත පාලනය
මුහුණු වර්ගීකරණය
පොකුරු කිරීම
තේරුමක් නැති පන්තිය
හොඳින් සහ තැන්පත් පරිසරය
ගුණාංග ඒකාබද්ධ කිරීම
ශක්තිමත් වෙනස
අධික ලෙස සවි කිරීම
අන්ධ ළිං පරීක්ෂණය
පොදු වැරදි
- දෘශ්ය පරීක්ෂාවකින් තොරව ක්ෂිතිජයේ ස්වයංක්රීයව පැතිරීම. සයිකල් ස්කිප් සුමට නමුත් සාවද්ය මතුපිටක් නිපදවයි.
- සෑම රේඛීය රටාවක්ම දෝෂයක් ලෙස වරදවා වටහා ගැනීම. අත්පත් කර ගැනීමේ අඩිපාර නිතිපතා රේඛා නිපදවයි, එහි දිශාව දෙස බලන්න.
- මුහුණු පන්තියට සෘජු භූ විද්යාත්මක අර්ථය ආරෝපණය කිරීම. පන්තිය සංඛ්යානමය; ළිඳ සමඟ අර්ථවත් කරන්න.
- වැඩි ගුණාංග, අඩු ළිං. වැඩිපුර සවි කිරීම සිතියම ළිං අතර කුණු බවට පත් කරයි.
- අන්ධ පරීක්ෂණය මඟ හරින්න. පුහුණු ළිංවල පමණක් නිරවද්යතාව මැනීම නොමඟ යවන සුළුය.
සාරාංශයක් ලෙස
භූ කම්පන අර්ථ නිරූපණයෙහි AI; එය ක්ෂිතිජය/දෝෂ ලුහුබැඳීම පැය ගණනකට අඩු කරයි, ඉක්මනින් මුහුණු පොකුරු කරයි, සහ ගුණාංග බලවත් ලෙස ඒකාබද්ධ කරයි. නමුත් සෑම වේග ලාභයකටම උගුලක් ඇත: චක්රය මඟ හැරීම, පා සලකුණක් වරදක් ලෙස වරදවා වටහා ගැනීම, අර්ථ විරහිත මුහුණුවර, අධික ලෙස ගැලපීම. AI සංඛ්යානමය දළ සටහනක් නිපදවයි; කෙටුම්පත භූ විද්යාත්මක යථාර්ථයක් බවට පත් කර, ළිඳ සහ තැන්පත් පරිසරය පිළිබඳ දැනුමෙන් එය අර්ථවත් කර, අන්ධ පරීක්ෂණයකින් එය පරීක්ෂා කරන පරිවර්තකයා ඔහුය. අවසාන භූගත ආකෘතිය සෑම විටම මිනිසා විසින් ස්ථාපිත කර ආරක්ෂා කරන ලද එකක් වේ.
යෙදුම් කාර්යය
ඉලක්කයක් තෝරන්න (නාලිකා වැලි, ෙබ්කිං සෝඩා, ආදිය). "ගුණාංග තේරීමේ උපදේශනය" අච්චුව සමඟ ගුණාංග සැලැස්මක් සාදන්න. ඉන්පසු අධීක්ෂණය නොකළ පොකුරු සඳහා “Faceies class count testing” අච්චුව භාවිත කර අවම වශයෙන් විවිධ පන්ති ගණන් දෙකක්වත් සංසන්දනය කරන්න; භූ විද්යාත්මකව වඩාත් ස්ථායී වන්නේ කුමන එකද සහ මෙය සත්යාපනය කිරීමට ඔබ භාවිතා කරන්නේ කුමන ළිං පරීක්ෂණයද යන්න ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම ප්රධාන කොටස්වල ස්වයංක්රීය ක්ෂිතිජය දෘෂ්යව පරීක්ෂා කර චක්රය මඟ හැරීම නිවැරදි කළෙමි.
- [ ] මම දිශානතිය සහ හරස් දත්ත සමඟින් වැරදි අපේක්ෂකයන් අඩි සටහනෙන් වෙන් කළෙමි.
- [ ] මම මුහුණු පන්ති ළිඳ සහ තැන්පත් පරිසරය සමඟ අර්ථකථනය කළෙමි.
- [ ] මම ළිං ගණන මත පදනම්ව ගුණාංග ගණන සීමා කළෙමි.
- [ ] මම ප්රතිඵලය අන්ධ ළිඳක පරීක්ෂා කළෙමි.