Lợi nhuận:
- Hiểu bản chất sai lầm và đa nghĩa của việc đảo ngược cũng như sự cân bằng giữa sự phù hợp của dữ liệu và việc chính quy hóa.
- Khả năng xác thực khả năng tăng tốc AI (mô hình thay thế, đã học trước đó) bằng mô hình chuyển tiếp thực sự và nhận biết địa chất áp đặt
- Khả năng báo cáo kết quả dưới dạng phân bố độ không đảm bảo thay vì một mô hình duy nhất và hiển thị độ phân giải/độ nhạy và phân tách tiền đề dữ liệu
Câu hỏi sâu sắc nhất trong địa vật lý là: mô hình dưới bề mặt nào tạo ra dữ liệu tôi đo được ở bề mặt? Trả lời câu hỏi này được gọi là đảo ngược. Trong khi mô hình hóa thuận tính toán dữ liệu dự kiến từ một mô hình dưới bề mặt đã biết thì mô hình nghịch đảo thực hiện ngược lại: nó ước tính mô hình dưới bề mặt từ dữ liệu được quan sát. Trong phần này, bạn sẽ tìm hiểu cách trí tuệ nhân tạo (AI) tăng tốc độ đảo ngược, mất vài giây thay vì hàng giờ với các mô hình thay thế; nhưng chúng ta sẽ hiểu tại sao đầu ra AI không bao giờ có thể được đọc là “một mô hình thực sự” vì tính đa nghĩa cố hữu và sự mơ hồ của phép đảo ngược.
Lực căng cơ bản của nghiệm nghịch đảo
Đảo ngược không phải là một vấn đề lành tính; Đây là một vấn đề không được đặt ra: nó có thể không có giải pháp, có thể có nhiều hơn một hoặc một nhiễu nhỏ trong dữ liệu có thể gây ra sự thay đổi lớn trong mô hình. Do đó, nghịch đảo cân bằng hai lực: dữ liệu không phù hợp (mức độ gần gũi của dữ liệu do mô hình tạo ra với dữ liệu được quan sát) và chính quy hóa (thêm một ràng buộc "tính hợp lý" vào mô hình, ví dụ: độ mượt hoặc độ gần với mô hình tham chiếu). Quá nhiều dữ liệu phù hợp cũng gây ra nhiễu cho mô hình; quá nhiều chính quy sẽ xóa cấu trúc thực sự. Việc cài đặt số dư này (ví dụ: lambda trọng lượng chính quy) ảnh hưởng đến toàn bộ cách diễn giải.
AI tăng tốc độ đảo ngược như thế nào?
Đảo ngược cổ điển cập nhật mô hình lặp đi lặp lại bằng cách chạy mô hình xuôi hàng trăm đến hàng nghìn lần; Trong đảo ngược dạng sóng điện từ hoặc toàn bộ dạng sóng 3D, việc này có thể mất hàng giờ đến hàng ngày. AI tăng tốc theo ba cách:
- Mô hình thay thế (đại diện/trình mô phỏng): Rút ngắn chu trình bằng cách xấp xỉ phép tính nặng về phía trước bằng mạng thần kinh được đào tạo trước nhanh.
- Đã học trước: Sử dụng ràng buộc "tính hợp lý" đã học được từ các mô hình địa chất thực tế thay vì chính quy hóa.
- Suy luận trực tiếp (từ đầu đến cuối): Dự đoán tức thì với các mạng tìm hiểu ánh xạ trực tiếp từ dữ liệu sang mô hình (ví dụ: trong một số phép đảo ngược 1D).
Mỗi cái đều tăng thêm tốc độ, nhưng mỗi cái lại gây ra một rủi ro mới: mô hình thay thế sẽ mắc lỗi ngoài phạm vi huấn luyện; kiến thức đã học trước đó có thể áp đặt địa chất của tập huấn luyện lên dữ liệu (tạo ra cấu trúc không tồn tại là “hợp lý”); suy luận trực tiếp có thể đánh giá quá cao độ tin cậy của nó.
Mẹo: Trước khi chấp nhận kết quả đảo ngược được tăng tốc bởi AI, hãy đưa mô hình kết quả thông qua mô hình chuyển tiếp (vật lý) thực tế và so sánh dữ liệu mà nó tạo ra với dữ liệu được quan sát. Nếu một giải pháp mà mô hình thay thế nói là "phù hợp" không chứa dữ liệu quan sát được trong vật lý thực tế thì giải pháp đó không hợp lệ.
Đo lường độ không đảm bảo: phân bố, không phải mô hình đơn lẻ
Đầu ra của một phép nghịch đảo tốt không phải là một mô hình đơn lẻ mà là một nhóm các mô hình có thể có. Các cách để đo lường độ không đảm bảo: nhiều lần chạy với các mô hình bắt đầu khác nhau, các trọng số chính quy khác nhau và các phương pháp tiếp cận xác suất (ví dụ: nghịch đảo Bayes - một phương pháp đưa ra kết quả dưới dạng phân phối xác suất; phân phối sau). AI có thể tăng tốc độ lấy mẫu phân phối này (ví dụ: tạo ra số lượng lớn các mô hình khả thi). Mục đích không phải để nói "ngầm là như thế này", mà là "ngầm là như thế này trong phạm vi này và ở những khu vực này với sự tự tin này".
Thận trọng: Bản đồ đảo ngược trông càng "sắc nét và chi tiết" thì nó càng phụ thuộc nhiều vào quyết định và tiền đề chính quy hóa. Độ sắc nét không phải là độ chính xác. Phân biệt vùng nào của mô hình được xác định bởi dữ liệu và vùng nào của mô hình được xác định trước/chính quy hóa (phân tích độ phân giải).
Độ phân giải và độ nhạy
Không phải mọi ô của mọi mô hình đảo ngược đều đáng tin cậy như nhau. Độ nhạy là mức độ phản hồi của dữ liệu đối với vùng đó của mô hình; Các vùng mà dữ liệu không thể "nhìn thấy" (độ nhạy thấp) được tiền đề lấp đầy hoàn toàn và không mang thông tin thực. AI có thể che khuất sự khác biệt này trong khi đưa ra các giải pháp nhanh chóng. Do đó, bản đồ độ phân giải/độ nhạy phải được đưa vào bên cạnh mô hình kết quả.
ba trường hợp nhỏ
Trường hợp 1 - Từ giờ đến giây. Trong dự án điện từ (MT - phương pháp đo điện trở suất dưới lòng đất bằng trường điện từ tự nhiên), quá trình chạy đảo ngược 3D mất 9 giờ. Nhóm đã thay thế tài khoản chuyển tiếp bằng mạng proxy, giảm thời gian quét kịch bản xuống còn vài phút. Nhưng họ đã chạy lại mô hình cuối cùng với vật lý thực tế và dữ liệu được xác nhận là phù hợp; Họ đã sửa thủ công một vùng sâu nơi proxy bị tắt 3%.
Trường hợp 2 - Địa chất áp đặt. Một tiền đề rút ra từ các lưu vực sa thạch đã được sử dụng trong mỏ cacbonat và sự đảo ngược tạo ra cấu trúc lớp mịn, mặc dù dữ liệu không hỗ trợ điều đó. Bản đồ tình cảm cho thấy cấu trúc này nằm chính xác ở vùng sâu mà dữ liệu không thể nhìn thấy: cấu trúc đến từ tiền đề chứ không phải dữ liệu. Khi tiền đề được thay đổi, mô hình trở nên thực tế.
Trường hợp 3 - Sai lầm về độ sắc nét. Hai đội giải ngược lại dữ liệu trọng lực giống nhau. Lời giải có độ chính quy thấp tỏ ra sắc nét, lời giải có độ chính quy cao tỏ ra lởm chởm; Cả hai đều phù hợp với dữ liệu như nhau. Quyết định là chấp nhận đa nghĩa và đưa cả hai mô hình vào tính toán hồ chứa; Việc khóa trong một mô hình sẽ che giấu rủi ro.
Bốn mẫu có thể sao chép
1) Tư vấn lắp đặt giải pháp ngược:
Vai trò của bạn: chuyên gia đảo chiều. Vấn đề: [1D/2D/3D, phương pháp: MT/địa chấn/trọng lực]. Giải thích cho tôi sự sai trái của nghiệm nghịch đảo; Làm cách nào để cân bằng giữa mức độ phù hợp và chính quy hóa dữ liệu, theo tiêu chí nào (đường cong L, xác thực chéo) để tôi chọn trọng số chính quy? Viết từng bước một.
2) Xác minh mô hình thay thế:
Tôi đã tăng tốc mô hình chuyển tiếp bằng mô hình thay thế AI. Làm cách nào để xác định phạm vi tham số mà proxy này đáng tin cậy? Làm cách nào để xác nhận kết quả với vật lý thực tế, làm cách nào để nắm bắt được vùng mà proxy bị lệch? Đề xuất một giao thức xác thực.
3) Thăm dò độ không đảm bảo:
Giải pháp nghịch đảo của tôi đã đưa ra một mẫu duy nhất. Làm cách nào để sử dụng các mô hình ban đầu khác nhau, các trọng số chính quy khác nhau và lấy mẫu xác suất để tạo ra sự không chắc chắn? Làm cách nào để báo cáo kết quả là "nhóm mô hình + khoảng tin cậy" thay vì "mô hình đơn lẻ"?
4) Tách độ phân giải:
Tôi muốn tách vùng nào trong mô hình đảo ngược của mình được xác định bởi dữ liệu và vùng nào được xác định bởi tiền đề/chính quy hóa. Làm cách nào để thiết lập phân tích độ nhạy/độ phân giải và đánh dấu các khu vực có độ nhạy thấp trong báo cáo?
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Giải ngược số liệu này và đưa ra mô hình ngầm.
Một mô hình chờ đợi; Nó che giấu sự mơ hồ và mơ hồ, dẫn đến một kết luận rõ ràng nhưng không thể đứng vững.
Lời nhắc mạnh mẽ:
Vai trò của bạn: chuyên gia đảo chiều. Dữ liệu: [hồ sơ trọng lực + mật độ 2 giếng]. Nhiệm vụ: (1) tạo mô hình tham chiếu bằng cách cân bằng việc chuẩn hóa dữ liệu; (2) thay đổi trọng số chính quy hóa để rút ra ít nhất ba mô hình thay thế và cho thấy rằng tất cả chúng đều phù hợp với dữ liệu; (3) khu vực nào của mỗi mô hình được xác định bởi dữ liệu và khu vực nào được xác định bởi tiền đề. Không trình bày kết quả dưới dạng một mô hình chính xác duy nhất; Đưa ra với phạm vi không chắc chắn.
Nhu cầu về các mô hình thay thế, phù hợp với dữ liệu và phân tách độ phân giải làm cho giải pháp nghịch đảo trở nên trung thực.
Phương pháp đảo ngược
Cách tiếp cận
tốc độ
Rủi ro chính
xác minh
Lặp lại cổ điển
chậm
tối thiểu địa phương
bắt đầu nhiều lần
người mẫu thay thế
rất nhanh
độ lệch ngoài phạm vi
Xác nhận bằng vật lý thực tế
tiền đề đã học
nhanh
áp đặt địa chất
Bản đồ độ nhạy
Bayes/xác suất
trung bình
Chi phí tài khoản
Phân bố sau
Những lỗi thường gặp
- Nghĩ rằng mô hình duy nhất là có thật. Giải pháp nghịch đảo có rất nhiều ý nghĩa; Tạo ra các lựa chọn thay thế.
- Áp dụng một cách mù quáng mô hình thay thế. Đừng hoàn thành mà không xác nhận kết quả bằng mô hình chuyển tiếp thực tế.
- Không đặt câu hỏi về tiền đề. Tiền đề đã học có thể tạo ra cấu trúc không được dữ liệu hỗ trợ.
- Nhầm lẫn độ sắc nét với độ chính xác. Các chi tiết phụ thuộc vào quyết định chính quy hóa.
- Ẩn độ phân giải Không trình bày các lĩnh vực có độ nhạy thấp dưới dạng thông tin thực tế.
Tóm lại
Đảo ngược là bước chuyển tiếp trong địa vật lý từ dữ liệu sang mô hình và vốn là một bài toán đa nghĩa, không được đặt ra. AI; Các mô hình thay thế tăng tốc đáng kể quá trình này bằng các suy luận trực tiếp và suy luận trực tiếp đã học được. Nhưng mỗi lần tăng tốc đều ẩn chứa một rủi ro mới: trôi ngoài phạm vi, địa chất áp đặt, sự tự tin thái quá. Sử dụng đúng; tạo ra các mô hình thay thế, xác nhận bằng vật lý thực tế, báo cáo độ không đảm bảo dưới dạng phân bố và cách ly độ phân giải. Đầu ra của nghiệm nghịch đảo không phải là một chân lý đơn lẻ mà là một tập hợp các mô hình bị chặn tin cậy.
Nhiệm vụ ứng dụng
Chọn bài toán nghịch đảo (điện trở suất 1D, cấu hình trọng lực, v.v.). Lập kế hoạch cân bằng việc tuân thủ-chính quy hóa dữ liệu bằng mẫu “Tư vấn thiết lập giải pháp đảo ngược”. Sau đó, tạo quy trình để tạo ít nhất ba mô hình thay thế bằng mẫu "Khám phá độ không chắc chắn" và so sánh chúng với mức độ phù hợp với dữ liệu. Viết cách bạn phân biệt vùng nào được xác định bởi dữ liệu và vùng nào được xác định bởi tiền đề.
danh sách kiểm tra
- [ ] Tôi có ý thức đạt được sự cân bằng giữa việc tuân thủ dữ liệu và chính quy hóa.
- [ ] Tôi đã tạo ra ít nhất ba mô hình thay thế và so sánh mức độ phù hợp của chúng với dữ liệu.
- [ ] Tôi đã xác nhận khả năng tăng tốc Surrogate/AI bằng vật lý thực tế.
- [ ] Tôi đã trình bày sự phân tách dữ liệu-tiền đề bằng bản đồ độ phân giải/độ nhạy.
- [ ] Tôi đã báo cáo kết quả với phạm vi không chắc chắn, không phải một mô hình nào.