Lợi nhuận:
- Khả năng kiểm soát khử nhiễu dựa trên trí tuệ nhân tạo với biểu đồ khác biệt và ngăn chặn việc xóa phản xạ yếu nhưng thực
- Khả năng nhận biết nguy cơ giải mã tạo ra độ phân giải sai và bẫy nội suy dấu vết tạo ra các cấu trúc ma quái và theo dõi chúng bằng mặt nạ
- Khả năng xác minh giá trị vật lý bằng cách kết nối các kết quả xử lý với dây buộc giếng
Những gì bạn nhìn thấy khi mở một bản ghi địa chấn thô hiếm khi là "hình ảnh của phần dưới bề mặt". Thay vào đó, bạn sẽ thấy một sự kết hợp phức tạp: tín hiệu thực tế được phản xạ từ sóng ngầm, sóng bề mặt, nhiễu ngẫu nhiên, nhiều phản xạ và biến dạng vốn có của bản ghi. Xử lý dữ liệu địa chấn là quá trình từng bước làm sạch, căn chỉnh và chuyển đổi bản ghi thô này thành hình ảnh có thể hiểu được về lòng đất. Trong phần này, chúng tôi sẽ giải thích trí tuệ nhân tạo (AI) là công cụ tăng tốc mạnh mẽ của quá trình này như thế nào, đặc biệt là trong các bước như khử nhiễu, giải mã và điền dấu vết bị thiếu; nhưng chúng ta sẽ hiểu tại sao các quyết định về giá trị vật lý và tham số vẫn thuộc về chuyên gia.
Giải phẫu dữ liệu địa chấn
Hãy bắt đầu với một bảng thuật ngữ ngắn. Dấu vết là chuỗi biên độ phụ thuộc vào thời gian được ghi lại bởi một máy thu. Khi nhiều dấu vết kết hợp với nhau, một phần được hình thành. Khoảng thời gian mẫu là thời gian giữa hai giá trị biên độ liên tiếp (ví dụ: 2 ms). Sự phản xạ thực tế bên trong tín hiệu phát sinh từ sự chênh lệch trở kháng âm thanh của các ranh giới lớp dưới bề mặt; Mục đích của việc xử lý là tách những phản xạ này khỏi nhiễu và đặt chúng vào đúng vị trí không gian-thời gian.
Nhiễu có hai loại chính: nhiễu ngẫu nhiên (không mạch lạc, không phụ thuộc vào các rãnh) và nhiễu kết hợp (nhiễu kết hợp - đều đặn, mạnh, che khuất tín hiệu, chẳng hạn như sóng bề mặt/cuộn mặt đất). Các phương pháp dựa trên AI thường linh hoạt hơn các bộ lọc truyền thống trong việc tách hai loại này vì chúng sử dụng khả năng phân biệt phức tạp học được từ các mẫu thay vì cửa sổ tốc độ tần số cố định.
Khử tiếng ồn bằng AI
Việc khử tiếng ồn cổ điển được thực hiện bằng các bộ lọc dựa trên tần số, tốc độ (bộ lọc f-k) hoặc số liệu thống kê. Các bộ khử nhiễu dựa trên AI (chủ yếu là mạng thần kinh tích chập, viết tắt là CNN; mạng tìm hiểu các mẫu cục bộ trong dữ liệu giống như hình ảnh) học hỏi từ các cặp mẫu "đầu vào nhiễu → đầu ra sạch". Ưu điểm của nó: nó có thể tạo ra sự phân biệt theo ngữ cảnh thay vì một quy tắc cố định khi tách tín hiệu khỏi nhiễu. Rủi ro: xu hướng xóa tín hiệu hoặc để lại nhiễu dưới dạng tín hiệu khi gặp phải loại nhiễu không có trong dữ liệu huấn luyện.
Mối nguy hiểm nghiêm trọng nhất là: một bộ khử tiếng ồn AI mạnh mẽ có thể nhầm lẫn một phản xạ mờ nhạt nhưng thực tế với tiếng ồn và loại bỏ nó. Vì vậy, nguyên tắc vàng: đảm bảo xem sự khác biệt (thành phần đã loại bỏ) trước và sau khi khử tiếng ồn. Nếu bạn thấy mẫu phản chiếu nhất quán ở phần bị loại bỏ thì bộ lọc đang ăn tín hiệu.
Mẹo: Vẽ lớp "nhiễu" do bộ triệt nhiễu YZ tạo ra dưới dạng một lát cắt riêng biệt (biểu đồ khác biệt). Dư lượng của một chất ức chế tốt xuất hiện ngẫu nhiên; Nếu có các phản xạ nghiêng, liên tục trong đó thì bộ lọc quá mạnh và bạn cần làm mềm tham số.
Giải mã: lấy lại chữ ký nguồn
Giải mã là quá trình cố gắng tiết lộ chuỗi phản xạ thực sự của lớp dưới bề mặt bằng cách trừ dấu hiệu sóng con của nguồn (sóng con nguồn - dạng sóng do vụ nổ/máy rung tạo ra) khỏi dấu vết được ghi lại. Mục tiêu là tăng độ phân giải và triệt tiêu nhiều phản xạ. AI có thể cải thiện khả năng ước tính wavelet và khả năng chống nhiễu trong quá trình giải mã; Tuy nhiên, nếu decon được áp dụng quá mức, nó sẽ khuếch đại nhiễu tần số cao và tạo ra độ phân giải giả. AI cũng là một công cụ đề xuất ở đây; Lựa chọn tham số cuối cùng (độ dài toán tử giải mã, làm trắng trước) được hiệu chỉnh một cách chuyên nghiệp theo đặc tính vật lý của dấu vết.
Nội suy dấu vết không đầy đủ và lấy mẫu thường xuyên
Một số máy thu bị hỏng tại hiện trường, một số dây thu chưa đầy đủ; Kết quả là, những khoảng trống xảy ra trong dữ liệu. Nội suy dựa trên AI (điền vào các dấu vết còn thiếu bằng cách học hỏi từ hàng xóm) rất hữu ích trong việc có được lưới thông thường trước khi di chuyển. Tuy nhiên, dấu vết được điền là ước tính chứ không phải phép đo; Những dấu vết này không được coi trọng như dữ liệu thực trong diễn giải mà phải được đánh dấu riêng ở đầu ra.
Thận trọng: Nếu dấu vết được tạo ra bằng phép nội suy tiếp tục là "dữ liệu thực" trong các bước tiếp theo, chúng có thể dẫn đến việc tạo ra cấu trúc không tồn tại. Theo dõi các ô đã lấp đầy bằng mặt nạ; Nếu một cấu trúc quan trọng chỉ xuất hiện trong vùng nội suy thì đừng tin tưởng nó.
ba trường hợp nhỏ
Trường hợp 1 - Nền tảng học tập mạng. Trong địa chấn đất liền, sóng bề mặt mạnh (cuộn mặt đất) đã che khuất tín hiệu. Nhóm đã sử dụng bộ khử tiếng ồn CNN học được từ 800 bản ghi âm được làm sạch bằng tay; thời gian xử lý giảm từ 12 phút xuống 40 giây cho mỗi bản ghi. Nhóm đã kiểm tra thủ công 5% bản ghi từ mỗi đợt và xác nhận không có hiện tượng mất tín hiệu nào bằng biểu đồ khác biệt.
Trường hợp 2 - Đã xóa phản xạ yếu. Trong một dự án khác, một bộ triệt tiêu YZ được điều chỉnh mạnh mẽ đã nhầm lẫn phản xạ mờ nhạt nhưng thực sự của hồ chứa ở thời điểm 2,4 giây là nhiễu và xóa nó. Sự khác biệt chỉ trở nên rõ ràng khi mối liên hệ địa chấn giếng được thiết lập: lớp trong suốt trong giếng không có trong mặt cắt. Khi tham số được làm mịn và xử lý lại, sự phản chiếu sẽ quay trở lại.
Trường hợp 3 - Bóng ma của nội suy. Trong tập 3D có các dòng bị thiếu được AI lấp đầy, người bình luận nhận thấy cấu trúc kênh tinh tế. Nhìn vào mặt nạ lấp đầy, anh thấy kênh rơi chính xác vào không gian được nội suy. Khi dữ liệu thực địa bổ sung được thu thập, rõ ràng là kênh không có ở đó mà là một mô hình do dự báo tạo ra.
Bốn mẫu có thể sao chép
1) Sơ đồ quy trình xử lý:
Vai trò của bạn: chuyên gia xử lý địa chấn. Dữ liệu: [đất/biển, 2D/3D, lấy mẫu 2 ms, mục tiêu 1-4 km]. Phác thảo cho tôi quy trình xử lý từng bước (tiền xử lý → khử nhiễu → giải mã → phân tích vận tốc → di chuyển). Trong MỖI bước, hãy viết ra quyết định nào cần tham số và những gì tôi nên tìm kiếm khi chọn tham số đó.
2) Kế hoạch kiểm soát tiếng ồn:
Tôi đã áp dụng bộ khử tiếng ồn AI. Cung cấp cho tôi danh sách kiểm tra kiểm tra: tôi nên tìm gì trong biểu đồ chênh lệch, làm cách nào để nhận biết tình trạng mất tín hiệu, tôi nên so sánh số liệu nào trước/sau, tôi nên kiểm tra thủ công tốc độ ghi nào? Viết ngắn gọn và có thể hành động.
3) Tư vấn tham số giải mã:
Vai trò của bạn: tư vấn xử lý. Tôi áp dụng giải mã và tăng nhiễu tần số cao. Giải thích các nguyên nhân có thể xảy ra, thời gian thực hiện và ảnh hưởng của cài đặt làm trắng trước. Làm cách nào để biết liệu trang trí quá mức có tạo ra độ phân giải sai hay không? Đưa ra lý do cho mỗi đề nghị.
4) Theo dõi mặt nạ nội suy:
Tôi đã điền những dấu vết còn thiếu bằng AI. Hãy cho tôi biết cách đánh dấu các ô đã điền trong các bước tiếp theo, cách tách nhận xét khỏi dữ liệu thực tế và cách loại bỏ "cấu trúc chỉ hiển thị trong vùng nội suy".
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Loại bỏ tiếng ồn trong hiệu quả địa chấn, cho biết cài đặt tốt nhất.
“Cài đặt tốt nhất” không tồn tại độc lập với dữ liệu; AI đưa ra khuyến nghị chung chung, không thể kiểm soát được.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia xử lý địa chấn. Hiệu suất: 2D màu đen, rung nền mạnh (5-12 Hz), phản xạ mục tiêu 20-45 Hz, lấy mẫu 2 ms. Nhiệm vụ: đề xuất phương pháp khử nhiễu, giải thích bằng thuật ngữ tần số thành phần nào cần bảo toàn và thành phần nào cần triệt tiêu. Làm cách nào để theo dõi nguy cơ mất tín hiệu (số liệu biểu đồ chênh lệch) và tôi nên so sánh trước/sau với số liệu nào? Đừng chỉ nói "nhập cài đặt này"; Đưa ra tiêu chí quyết định.
Với đặc tính dữ liệu, dải mục tiêu và tiêu chí kiểm soát, đầu ra trở nên thực sự khả thi.
Các bước xử lý và vai trò của AI
Bước xử lý
Đóng góp của AI
Rủi ro chính
quyết định của con người
Khử tiếng ồn ngẫu nhiên
cao
Xóa tín hiệu yếu
Xác nhận tham số
Tiếng ồn nhất quán (cuộn mặt đất)
cao
đàn áp quá mức
Kiểm soát cốt truyện khác biệt
giải mã
trung bình
độ phân giải giả
Điều hành/làm trắng
Nội suy dấu vết
trung bình
tòa nhà ma
Theo dõi mặt nạ
Phân tích tốc độ
trung bình
Di chuyển sai tốc độ
Được xác nhận bởi giếng
Những lỗi thường gặp
- Ức chế mà không cần nhìn vào cốt truyện khác biệt. Bạn sẽ không nhận thấy tín hiệu bị mất cho đến khi nhìn thấy thành phần đã bị loại bỏ.
- Làm quá nhiều decon. Việc nhầm lẫn nhiễu tần số cao với độ phân giải sẽ tạo ra các lớp giả.
- Đếm dấu vết nội suy là dữ liệu thực. Việc bỏ đánh dấu các ô đã điền sẽ tạo ra cấu trúc ma quái.
- Nhìn vào một số liệu. Sẽ là sai lầm nếu chỉ nhìn vào tỷ lệ tín hiệu trên tạp âm mà bỏ qua việc bảo toàn phản xạ.
- Vượt qua dây buộc giếng. Chuyển sang diễn giải kết quả xử lý mà không kết nối nó với dữ liệu giếng.
Tóm lại
Trong xử lý địa chấn, AI cung cấp tốc độ cao hơn và thường phân tách linh hoạt hơn trong việc khử nhiễu, giải mã và nội suy dấu vết. Nhưng có một cạm bẫy vật lý ở mỗi bước: xóa tín hiệu yếu, tạo ra độ phân giải sai, tạo ra các tạo tác ma quái. Đó là lý do tại sao các điều khiển như kiểm soát biểu đồ sai phân, kiểm soát giếng và mặt nạ nội suy là không thể thiếu. AI gợi ý các thông số; Chính chuyên gia sẽ xác nhận tham số theo tính chất vật lý của dữ liệu và làm cho kết quả có thể hiểu được.
Nhiệm vụ ứng dụng
Xác định bước khử tiếng ồn trên mặt cắt địa chấn (thực hoặc mẫu). Trích xuất luồng bằng mẫu "Đề cương luồng xử lý", sau đó tạo danh sách kiểm tra bằng mẫu "Kế hoạch kiểm soát tiếng ồn". So sánh các lát cắt trước/sau và biểu đồ sự khác biệt và đánh giá bằng từ ngữ của bạn xem liệu thành phần bị loại bỏ có phản ánh nhất quán hay không.
danh sách kiểm tra
- [ ] Tôi đã so sánh biểu đồ khác biệt và khử nhiễu trước/sau.
- [ ] Tôi đã xác minh rằng không có tín hiệu nhất quán trong thành phần bị loại bỏ.
- [ ] Tôi đã kiểm tra kết quả giải mã để tìm độ phân giải sai.
- [ ] Tôi giữ các dấu vết nội suy được đánh dấu bằng mặt nạ.
- [ ] Tôi đã liên kết kết quả với dữ liệu giếng (hòa giếng).