การประมวลผลข้อมูลแผ่นดินไหว: การลดเสียงรบกวน การแยกส่วน และปัญญาประดิษฐ์

กำไร:

• ความสามารถในการควบคุมการลดเสียงรบกวนด้วยปัญญาประดิษฐ์ด้วยพล็อตที่แตกต่างกัน และป้องกันไม่ให้ภาพสะท้อนที่อ่อนแอแต่แท้จริงถูกลบ
• ความสามารถในการรับรู้ความเสี่ยงของการแยกส่วนทำให้เกิดความละเอียดที่ผิดพลาดและกับดักของการประมาณค่าร่องรอยที่สร้างโครงสร้างผีและติดตามพวกมันด้วยหน้ากาก
• ความสามารถในการตรวจสอบความถูกต้องทางกายภาพโดยการเชื่อมต่อผลการประมวลผลกับค่าเสมอกัน

สิ่งที่คุณเห็นเมื่อคุณเปิดบันทึกแผ่นดินไหวแบบดิบนั้นแทบจะไม่ใช่ "ภาพใต้ผิวดิน" แต่คุณจะเห็นการผสมผสานที่ซับซ้อน เช่น สัญญาณจริงที่สะท้อนจากใต้ดิน คลื่นพื้นผิว สัญญาณรบกวนแบบสุ่ม การสะท้อนกลับหลายครั้ง และการบิดเบือนโดยธรรมชาติของการบันทึก การประมวลผลข้อมูลแผ่นดินไหวเป็นกระบวนการทำความสะอาดทีละขั้นตอน จัดเรียงและแปลงบันทึกดิบนี้ให้เป็นภาพใต้ดินที่ตีความได้ ในหน่วยนี้ เราจะอธิบายว่าปัญญาประดิษฐ์ (AI) เป็นตัวเร่งอันทรงพลังของกระบวนการนี้ได้อย่างไร โดยเฉพาะอย่างยิ่งในขั้นตอนต่างๆ เช่น การลดสัญญาณรบกวน การแยกส่วน และการเติมร่องรอยที่ขาดหายไป แต่เราจะดูว่าเหตุใดการตัดสินใจด้านพารามิเตอร์และความถูกต้องทางกายภาพจึงยังคงอยู่กับผู้เชี่ยวชาญ

กายวิภาคของข้อมูลแผ่นดินไหว

เริ่มจากคำศัพท์สั้นๆ กันก่อน การติดตามคืออนุกรมแอมพลิจูดที่ขึ้นกับเวลาที่บันทึกโดยเครื่องรับเพียงเครื่องเดียว เมื่อมีร่องรอยมากมายมารวมกัน ส่วนที่หนึ่งก็ก่อตัวขึ้น ช่วงเวลาตัวอย่างคือเวลาระหว่างค่าแอมพลิจูดสองค่าติดต่อกัน (เช่น 2 ms) การสะท้อนที่เกิดขึ้นจริงภายในสัญญาณเกิดขึ้นจากความแตกต่างของอิมพีแดนซ์ทางเสียงของขอบเขตชั้นในใต้ผิวดิน วัตถุประสงค์ของการประมวลผลคือเพื่อแยกการสะท้อนเหล่านี้ออกจากสัญญาณรบกวน และวางไว้ในตำแหน่งพื้นที่เวลาที่ถูกต้อง

เสียงรบกวนมีสองประเภทหลัก: สัญญาณรบกวนแบบสุ่ม (ไม่ต่อเนื่องกัน เป็นอิสระจากราง) และสัญญาณรบกวนสอดคล้องกัน (สัญญาณรบกวนต่อเนื่องกัน — สม่ำเสมอ แรง กำบังสัญญาณ เช่น คลื่นพื้นผิว/ม้วนกราวด์) วิธีการที่ใช้ AI มักจะมีความยืดหยุ่นมากกว่าตัวกรองแบบเดิมในการแยกทั้งสองประเภทนี้ เนื่องจากใช้การเลือกปฏิบัติที่ซับซ้อนซึ่งเรียนรู้จากตัวอย่าง แทนที่จะเป็นหน้าต่างความเร็วความถี่คงที่

การลดเสียงรบกวนด้วย AI

การลดเสียงรบกวนแบบคลาสสิกทำได้โดยใช้ตัวกรองตามความถี่ ความเร็ว (ตัวกรอง f-k) หรือสถิติ ตัวลดเสียงรบกวนที่ใช้ AI (ส่วนใหญ่เป็นเครือข่ายประสาทเทียม หรือเรียกสั้นๆ ว่า CNN เครือข่ายที่เรียนรู้รูปแบบท้องถิ่นในข้อมูลที่เหมือนรูปภาพ) เรียนรู้จากคู่ตัวอย่าง "อินพุตที่มีสัญญาณรบกวน → เอาต์พุตที่สะอาด" ข้อได้เปรียบ: สามารถสร้างความแตกต่างตามบริบทแทนที่จะเป็นกฎตายตัวเมื่อแยกสัญญาณออกจากสัญญาณรบกวน ความเสี่ยง: แนวโน้มที่จะลบสัญญาณหรือทิ้งสัญญาณรบกวนไว้เป็นสัญญาณเมื่อพบสัญญาณรบกวนประเภทที่ไม่ได้อยู่ในข้อมูลการฝึก

อันตรายที่สำคัญที่สุดคือ: ตัวป้องกันเสียงรบกวน AI ที่ก้าวร้าวสามารถผิดพลาดการสะท้อนเสียงรบกวนที่จาง ๆ แต่แท้จริงและกำจัดมันออกไป ดังนั้นกฎทอง: อย่าลืมดูความแตกต่าง (ส่วนประกอบที่ถูกถอดออก) ก่อนและหลังการลดเสียงรบกวน หากคุณเห็นรูปแบบการสะท้อนที่สอดคล้องกันในส่วนที่ถอดออก แสดงว่าตัวกรองกำลังกินสัญญาณ

เคล็ดลับ: พล็อตเลเยอร์ "สัญญาณรบกวน" ที่สร้างโดยตัวป้องกันสัญญาณรบกวน YZ เป็นชิ้นแยกกัน (พล็อตส่วนต่าง) สารตกค้างของเครื่องอัดอากาศที่ดีจะปรากฏขึ้นแบบสุ่ม หากมีการสะท้อนที่เอียงและต่อเนื่องอยู่ในนั้น ฟิลเตอร์จะรุนแรงเกินไปและคุณจำเป็นต้องปรับพารามิเตอร์ให้อ่อนลง

Deconvolution: การคืนลายเซ็นต้นฉบับ

การแยกส่วนเป็นกระบวนการที่พยายามเปิดเผยอนุกรมการสะท้อนแสงที่แท้จริงของใต้พื้นผิวโดยการลบลายเซ็นของเวฟเล็ตของแหล่งกำเนิด (เวฟเล็ตของแหล่งกำเนิด - รูปคลื่นที่เกิดจากการระเบิด/เครื่องสั่น) ออกจากร่องรอยที่บันทึกไว้ เป้าหมายคือการเพิ่มความละเอียดและลดการสะท้อนหลายๆ ครั้ง AI สามารถปรับปรุงการประมาณค่าเวฟเล็ตและความคงทนต่อสัญญาณรบกวนในการแยกส่วน อย่างไรก็ตาม หากใช้ decon มากเกินไป มันจะขยายสัญญาณรบกวนความถี่สูงและสร้างความละเอียดปลอม AI เป็นเครื่องมือแนะนำที่นี่เช่นกัน การเลือกพารามิเตอร์ขั้นสุดท้าย (ความยาวตัวดำเนินการ decon, การฟอกสีล่วงหน้า) จะได้รับการสอบเทียบอย่างเชี่ยวชาญตามลักษณะทางกายภาพของร่องรอย

การแก้ไขการติดตามที่ไม่สมบูรณ์และการสุ่มตัวอย่างปกติ

ตัวรับบางตัวล้มเหลวในสนาม บางบรรทัดถูกรวบรวมไม่สมบูรณ์ ส่งผลให้เกิดช่องว่างในข้อมูล การแก้ไขโดยใช้ AI (การเติมร่องรอยที่ขาดหายไปโดยการเรียนรู้จากเพื่อนบ้าน) มีประโยชน์อย่างมากในการรับตารางปกติก่อนการโยกย้าย อย่างไรก็ตาม การติดตามที่เติมไว้เป็นเพียงการประมาณ ไม่ใช่การวัด ร่องรอยเหล่านี้ไม่ควรได้รับการปฏิบัติด้วยน้ำหนักเท่ากันกับข้อมูลจริงในการตีความ แต่ควรทำเครื่องหมายแยกกันในเอาต์พุต

ข้อควรระวัง: หากการติดตามที่เกิดจากการแก้ไขดำเนินการเป็น "ข้อมูลจริง" ในขั้นตอนต่อๆ ไป อาจนำไปสู่การสร้างโครงสร้างที่ไม่มีอยู่จริง ติดตามเซลล์ที่เต็มไปด้วยหน้ากาก หากโครงสร้างวิกฤตปรากฏเฉพาะในพื้นที่ที่มีการสอดแทรก อย่าเชื่อถือโครงสร้างดังกล่าว

มินิเคสสามอัน

กรณีที่ 1 — การเรียนรู้ผ่านเครือข่าย ในแผ่นดินไหวบนบก คลื่นพื้นผิวที่รุนแรง (ม้วนกราวด์) กำลังบดบังสัญญาณ ทีมงานใช้เครื่องลดเสียงรบกวนของ CNN ซึ่งเรียนรู้จากบันทึกที่ทำความสะอาดด้วยมือ 800 รายการ เวลาในการประมวลผลลดลงจาก 12 นาทีเหลือ 40 วินาทีต่อบันทึก ทีมงานตรวจสอบการบันทึก 5% จากแต่ละชุดด้วยตนเอง และยืนยันว่าไม่มีการสูญเสียสัญญาณด้วยพล็อตที่แตกต่างกัน

กรณีที่ 2 — ลบการสะท้อนที่อ่อนแอ ในอีกโปรเจ็กต์ ตัวต้าน YZ ที่ปรับจูนอย่างแข็งขันเข้าใจผิดว่ามีสัญญาณรบกวนจางๆ แต่เป็นของจริงที่ 2.4 วินาทีและลบออก ความแตกต่างจะปรากฏให้เห็นเมื่อมีการสร้างจุดเชื่อมโยงของหลุมแผ่นดินไหวเท่านั้น: ไม่มีชั้นใสในหลุมในส่วนนี้ เมื่อพารามิเตอร์ถูกปรับให้เรียบและประมวลผลใหม่ การสะท้อนกลับคืนมา

กรณีที่ 3 — ผีแห่งการแก้ไข ในปริมาณ 3 มิติที่มี AI เติมเส้นที่ขาดหายไป ผู้วิจารณ์สังเกตเห็นโครงสร้างช่องสัญญาณที่ละเอียดอ่อน เมื่อมองดูหน้ากากเติม เขาเห็นว่าช่องนั้นตกลงไปในพื้นที่ที่ถูกสอดแทรกไว้พอดี เมื่อมีการรวบรวมข้อมูลภาคสนามเพิ่มเติม เห็นได้ชัดว่าไม่มีช่องสัญญาณอยู่ แต่เป็นรูปแบบที่เกิดจากการคาดการณ์

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) ร่างขั้นตอนการประมวลผล:

บทบาทของคุณ: ผู้เชี่ยวชาญด้านการประมวลผลแผ่นดินไหว ข้อมูล: [ทางบก/ทะเล 2D/3D การสุ่มตัวอย่าง 2 มิลลิวินาที เป้าหมาย 1-4 กม.] สรุปขั้นตอนการประมวลผลทีละขั้นตอนให้ฉันทราบ (ก่อนการประมวลผล → การลดเสียงรบกวน → decon → การวิเคราะห์ความเร็ว → การย้ายข้อมูล) ในแต่ละขั้นตอน ให้จดบันทึกว่าการตัดสินใจใดต้องใช้พารามิเตอร์ และสิ่งที่ฉันควรพิจารณาในการเลือกพารามิเตอร์นั้น

2) แผนการควบคุมการลดเสียงรบกวน:

ฉันใช้ระบบลดเสียงรบกวนแบบ AI ให้รายการตรวจสอบการตรวจสอบแก่ฉัน: ฉันควรมองหาอะไรในพล็อตที่แตกต่างกัน ฉันจะรับรู้สัญญาณที่หายไปได้อย่างไร ฉันควรเปรียบเทียบเมตริกใดก่อน/หลัง ฉันควรตรวจสอบอัตราการบันทึกด้วยตนเองเป็นเท่าใด เขียนให้สั้นและนำไปใช้ได้จริง

3) การให้คำปรึกษาเกี่ยวกับพารามิเตอร์ Deconvolution:

บทบาทของคุณ: ที่ปรึกษาด้านการประมวลผล ฉันใช้การแยกส่วนและสัญญาณรบกวนความถี่สูงเพิ่มขึ้น อธิบายสาเหตุที่เป็นไปได้ ความยาวของผู้ปฏิบัติงาน และผลของการตั้งค่าก่อนการฟอกสีฟัน ฉันจะรู้ได้อย่างไรว่า deco มากเกินไปทำให้เกิดความละเอียดที่ผิดพลาดหรือไม่? ให้เหตุผลสำหรับข้อเสนอแนะแต่ละข้อ

4) การติดตามมาสก์การแก้ไข:

ฉันเติมเต็มร่องรอยที่หายไปด้วย AI บอกวิธีทำเครื่องหมายเซลล์ที่เติมไว้ในขั้นตอนถัดไป วิธีแยกความคิดเห็นจากข้อมูลจริง และวิธีกำจัด "โครงสร้างที่มองเห็นได้เฉพาะในพื้นที่ที่ถูกแก้ไขเท่านั้น"

พรอมต์อ่อน / พรอมต์แรง

พรอมต์ที่อ่อนแอ:

ขจัดเสียงรบกวนด้วยประสิทธิภาพแผ่นดินไหว บอกการตั้งค่าที่ดีที่สุด

“การตั้งค่าที่ดีที่สุด” ไม่มีอยู่โดยไม่ขึ้นอยู่กับข้อมูล AI ให้คำแนะนำทั่วไปที่ไม่สามารถควบคุมได้

พรอมต์อันทรงพลัง:

บทบาทของคุณ: ผู้เชี่ยวชาญด้านการประมวลผลแผ่นดินไหว อัตราผลตอบแทน: 2D สีดำ, กราวด์ที่แข็งแกร่ง (5-12 Hz), การสะท้อนเป้าหมาย 20-45 Hz, การสุ่มตัวอย่าง 2 ms ภารกิจ: เสนอแนวทางในการลดเสียงรบกวน อธิบายด้วยเงื่อนไขอัตราความถี่ว่าองค์ประกอบใดควรอนุรักษ์และองค์ประกอบใดควรระงับ ฉันจะติดตามความเสี่ยงของการสูญเสียสัญญาณ (ตัวชี้วัดความแตกต่าง) ได้อย่างไร และฉันจะเปรียบเทียบก่อน/หลังกับตัวชี้วัดใด อย่าเพิ่งพูดว่า "เข้าสู่การตั้งค่านี้"; ให้เกณฑ์การตัดสินใจ

ด้วยลักษณะข้อมูล แถบเป้าหมาย และเกณฑ์การควบคุม ผลลัพธ์จึงมีความเป็นไปได้อย่างแท้จริง

ขั้นตอนการประมวลผลและบทบาทของ AI

ขั้นตอนการประมวลผล

การมีส่วนร่วมของ AI

ความเสี่ยงหลัก

การตัดสินใจของมนุษย์

การลดเสียงรบกวนแบบสุ่ม

สูง

ลบสัญญาณอ่อน

การยืนยันพารามิเตอร์

เสียงรบกวนสม่ำเสมอ (กราวด์โรล)

สูง

การปราบปรามมากเกินไป

การควบคุมพล็อตผลต่าง

การสลายตัว

ปานกลาง

ความละเอียดปลอม

ผู้ปฏิบัติงาน/ฟอกสีฟัน

ติดตามการแก้ไข

ปานกลาง

อาคารผี

การติดตามหน้ากาก

การวิเคราะห์ความเร็ว

ปานกลาง

การอพยพด้วยความเร็วที่ไม่ถูกต้อง

ได้รับการยืนยันจากอย่างดี

ข้อผิดพลาดทั่วไป

• ระงับโดยไม่ดูพล็อตเรื่องความแตกต่าง คุณจะไม่สังเกตเห็นการสูญเสียสัญญาณจนกว่าคุณจะเห็นส่วนประกอบที่ถูกถอดออก
• การทำดีคอนมากเกินไป ความผิดพลาดของสัญญาณรบกวนความถี่สูงสำหรับความละเอียดจะทำให้เกิดเลเยอร์ปลอม
• นับการติดตามที่สอดแทรกเป็นข้อมูลจริง การปล่อยให้เซลล์ที่เติมไว้ไม่มีเครื่องหมายจะสร้างโครงสร้างโกสต์
• ดูที่หนึ่งเมตริก อาจเป็นการเข้าใจผิดหากดูเฉพาะอัตราส่วนสัญญาณต่อเสียงรบกวนและเพิกเฉยต่อการอนุรักษ์การสะท้อน
• ข้ามบ่อน้ำ ก้าวไปสู่การตีความผลการประมวลผลโดยไม่ต้องเชื่อมต่อกับข้อมูลหลุม

โดยสรุป

ในการประมวลผลแผ่นดินไหว AI ให้ความเร็วที่มากขึ้นและมักจะมีความยืดหยุ่นมากขึ้นในการแยกเสียงรบกวน การแยกส่วน และการแก้ไขร่องรอย แต่มีข้อผิดพลาดทางกายภาพในทุกขั้นตอน: การลบสัญญาณที่อ่อนแอ ทำให้เกิดความละเอียดที่ผิดพลาด ทำให้เกิดสิ่งประดิษฐ์ผี นั่นเป็นเหตุผลว่าทำไมการควบคุม เช่น การควบคุมพล็อตผลต่าง การเชื่อมต่อของหลุม และมาสก์การประมาณค่าจึงเป็นสิ่งที่ขาดไม่ได้ AI แนะนำพารามิเตอร์ เป็นผู้เชี่ยวชาญที่ตรวจสอบพารามิเตอร์ตามหลักฟิสิกส์ของข้อมูล และทำให้ผลลัพธ์สามารถตีความได้

งานสมัคร

กำหนดขั้นตอนการลดเสียงรบกวนในส่วนแผ่นดินไหว (ของจริงหรือตัวอย่าง) แยกโฟลว์ด้วยเทมเพลต "โครงร่างโฟลว์การประมวลผล" จากนั้นสร้างรายการตรวจสอบด้วยเทมเพลต "แผนควบคุมการลดเสียงรบกวน" เปรียบเทียบส่วนก่อน/หลังและพล็อตความแตกต่าง และประเมินด้วยคำพูดของคุณเองว่ามีการสะท้อนที่สอดคล้องกันในองค์ประกอบที่ถูกลบออกหรือไม่

รายการตรวจสอบ

• [ ] ฉันเปรียบเทียบก่อน/หลังการลดเสียงรบกวนและโครงเรื่องที่แตกต่างกัน
• [ ] ฉันได้ตรวจสอบแล้วว่าไม่มีสัญญาณที่สอดคล้องกันในส่วนประกอบที่ถูกถอดออก
• [ ] ฉันตรวจสอบผลลัพธ์ decon ว่ามีการแก้ไขที่ผิดพลาดหรือไม่
• [ ] ฉันเก็บร่องรอยที่สอดแทรกไว้ด้วยหน้ากาก
• [ ] ฉันเชื่อมโยงผลลัพธ์กับข้อมูลหลุม (well tie)