האתגר של נתונים מורכבים שאינם קונבנציונליים

חקירה לא קונבנציונלית של משאבים - גז פצלי, שמן חזק, ופחמי מתאן - תלוי לחלץ פחמן מצורות בעלות יכולת נמוכה כי מתנהג שונה מאוד ממאגרים קונבנציונליים. נתונים סיאיזם נשאר הכלי העיקרי עבור הדמיה תת-קרקעית, אבל לא קונבנציונלית מציג לעתים קרובות תכונות מורכבות.

מדוע למידה עמוקה מתאימה לפרשנות סיסמית

למידה עמוקה, תת-קבוצה של למידת מכונה המבוססת על רשתות עצביות מרובות-שכבות, עולה במשימות שבהן נתוני קלט חיים באזורים בעלי ממדים גבוהים - למעשה התרחיש נתקל ב כרכים סיסמיים המכילים מיליוני או מיליארדי voxels. בניגוד למודלים של למידת מכונה קלאסית הנשען על תכונות בעלות גוף ידני (למשל, קוהרנטיות, אגן עמוק), למד מודלים ישירות מהנתונים הסטומטיים ואפקטיביים של מיפוי חיצוני (למשל, לדוגמה) של מערכות יחסים לא-מרחביות שונות של זמן (D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-D-Reviewיות, מעקב, מעקב, מעקב, מעקב, מעקב, מעקב, מעקב, קוהרנטיות, , , ריפוי, ריפוי, ריפוי, ריפוי, ריפוי, ריפוי, , , , , , , , , , ריפוי, תצורה אוטומטית, , ייצוב, תצורה של תצורה של תצורה של תצורה של ייצוב, ייצוב, ייצוב, ייצוב, תצורה של תצורה של תצורה של תצורה של תצורה של תצורה אוטומטית, תצורה של

העברת הנתונים-Driven Paradigm

מבחינה היסטורית, הפרשנות הסיסמיתסנית התבססה על אלגוריתמים מבוססי כללים והיסטוריים מומחים.ד. די-מינג מעצבת את המודל: במקום לספר למחשב כיצד נראה אשם, אנו מראים כי אלפי דוגמאות שגויות ומאפשרות לרשת ללמוד את החתימה הסטטיסטית.שינוי פרדיגמה זה פותח על ידי הזמינות של נתונים גדולים, מתוייגים 3D של מאגרים בוגרים והתקדמות במחשוב שהופך את הגרסאות האפשריות לסיוכות.

אדריכלות למידה עמוקה של נתונים סיסמית

מספר ארכיטקטורות רשת עצביות הוכיחו יעילות להיבטים שונים של פרשנות נתונים סיסמית'.בחירה תלויה בטבע המשימה ובממדליות של הקלט.

רשתות ערפיליות מהפכתיות (CNN)

CNN הם עבודת הכפלת עבור זיהוי דפוס מרחבי בתמונות סיסמית'.בצורה 2D, הם יכולים להיות מיושם על פרוסות אנכיות או פרוסות זמן; בצורת 3D (3D CNN), הם מנתחים כתמים מלאים של קידודים. CNN משתמשים בזיהוי קודמב אשר מחליקים על פני תא קלט, למידה של פילטרים היררכיים פשוטים לתבניות טקסט מורכבות בסרום כולל זיהוי הסתברותי תיבות של 3D, ולאחר מכן, כולל תכונות הפעלה סטנדרטיות של מוטציות קטנות של מזהמים, כולל מוטציות קטנות של מזהמים סטנדרטיות של מזהמים סטנדרטיות, כולל מזהמים של מזהמים של מזהמים של מזהמים של מזהמים של מזהמים של מזהמים של פצומים קטנים, כולל מזהמים של מזהמים של פצומים קטנים, כולל מזהמים של מזהמים של מזהמים של מזהמים של פצליכים שונים, כולל מזהמים של מערכת הפעלה סטנדרטיים, כולל פצומים סטנדרטיים, כולל מזהמים של פציפקודמי אימון פציפקודמי פעולה סטנדרטיים קטנים, כולל פציפקודמי פעולה סטנדרטיים של פצוכים אוטומטיים, כולל פציפקודמי אימון מזהמים של פצומים אוטומטיים, כולל פצוכים

Recurrent Neural Networks (RNNs) ומודלים טמפליים

עבור נתונים מזהמים - כגון פרופיל סיסמי אנכי אנכי (VSP) גלפורות, חלוף זמן (4D) הבדלים סיסמיים, או צווונים עקומות דילוגים - RNNs וגרסאות שער שלהם (LSTM, GRU) הם מתאימים יותר.RNs לשמור על מצב חבוי שלוכדת את הזמניות, מה שהופך אותם שימושיים לחיזוי של עקבות של סימטריות מ-Sicials, כאשר כל אחד מהם הוא רק מדד פחמן-RN הוא בעל אינדקס שטחי תיבות של פחמן-D.

Autoencoders for Denoising and Feature Extraction

Autoencoders הם רשתות לא מבוססות או עצמאיות אשר לומד לשחזר את קלט שלהם לאחר עובר דרך שכבת צוואר בקבוק.זה מכריח את הרשת לזהות את התכונות המחוסנות ביותר של הנתונים.בתהליכים סיסמית, denoising autocoders הבאים יכול להסיר אותות אקראיים וקוהרנטי (למשל, משטח, מספריים) ללא אובדן אירועים השתקפות עדינה.

רשתות ייעוץ (גנים)

gans מורכב רשת גנרטור שיוצר נתונים סינתטיים ו discriminator שמנסה להבחין אמיתי מזייף.בפרשנות סיסמית, gans משמשים עבור הגדלת נתונים - יצירת כתמים סיסטטיים סינתטיים עם תוויות ידועות כדי להשלים נתונים הכשרה מוגבלת. הם יכולים גם לבצע הסתגלות התחום, לתרגם נפחים סיסמית שנרכש עם פרמטרים שונים לרכוש לתוך תחום משותף.

יישומים מרכזיים ב-Unconventional Exploration

למידה עמוקה משמשת בכל זרימת העבודה הלא קונבנציונלית של מחקר, מהקרנה אגן ועד אופטימיזציה של השלמים.הקטעים הבאים מכנים את היישומים המשפיעים ביותר.

Fault and Fracture Detection

[השברים הטבעיים והגורמים השולטים במשאבים של פצלי פצלי למידה עמוקה יכולים לזהות גם אזורי אשמה גדולים ורשתות שבר עדינים מתכונות סיסמית'ס שהוכשרו על תוויות תקלות מצומצמות על פני צומת נקודות איחוד (IoU) מעל 0.85 על גבי שאלון מדויק של סקרים שברים.

Lithofacies Classification ו- Rock Propertyחיזוי

מאגרים לא קונבנציונליים מורכבים לעתים קרובות מפצלי פצלים הידראוליים, פחמן מודולים, ו- silicates. Deep Learning יכולים לסווג את המשקעים הסיסמיים ליחידות ליתולוגיות (למשל, פצלי פציפטור אורגני עשיר, מטבוליות פחמן, שכבות קנטון) על ידי דפוסי למידה מבארות אשר היו תואמים ל-Sic.

Horizon and Salt Geometry

בחירת אופקים באגן לא קונבנציונלי יכול להיות קשה כאשר ההשתקפות הם חלשים או בלתי פוסקים בשל תקלות. עמוק למידה שיטות מעקב אוטומטי להשתמש CNN כדי לעקוב אחר רפיחים סיסמיים על ידי למידה של ה dip המקומי ומאוחר יותר מאז כמה נקודות זרע. אלגוריתמים אלה חזקים לרעש ויכולים למנוע ביטחון עצמי על פני פערים דומים, פרשנות גוף - להבנה גיאומטריה חשובה - כבר באמצעות שערוריקאית מדויקת של מלחים ריקים (Creicicicicly) עבור מגנטים מדויקים של קרינה פוליקולארית.

זיהוי עין ותיקון אזור נחיתה

זיהוי "המקום המתוק" - האזור עם פוטנציאל פחמימן גבוה - חיוני לשלב פרמטרים גיאופיזיים ו petrophysical מרובים.מודלים למידה עמוקה יכול למזג תכונות סיסמיות, למנוע תכונות סלע, וכן נתונים לוגיסטיים כדי לייצר נפח סיכון אחד מורכב יחיד.לדוגמה, רשת מחוברת מלאה עשויה לקחת קלט של תכונות אופקים (תיק, הנגזר מסרום, רוח רפאים, הסתברות גבוהה יותר ל- 20 אחוזים) לשימוש בפלט גבוה של סוללות).

הכנת נתונים, אסטרטגיות אימון ומלכודות

למידה עמוקה מוצלחת עבור נתונים סיסמיים דורשת ריצוף נתונים זהיר.איכות התוויות (למשל, תקלות שנבחרו יד, כמו גם לוחות יומן) ישירות פיקוח על דיוק מודל.עבור מחזות לא קונבנציונליים, שבו נתונים ליבה עשויים להיות מוגבלים, מתרגלים לעתים קרובות למנוע מחסומים חסומים למחצה על נתונים גמישים: להכשיר רשת ראשונית על נתונים תווית קטנה, ולאחר מכן להשתמש בו כדי ליצור פסאודואלה על פני שטח רחב יותר, סלקטיבית, הוא גם 10.

תוויות: Quality Control

תוויות נתונים סיסמית דורש גיאו-מדעיסטים מומחים, אשר יקר.לגילוי פגמים, מתורגמן בדרך כלל בוחר תקלות על צולב והשקפות כיני זמן; אלה נבחרים מונפחים לתוך תוויות בינאריות.הטיה אינטרטר היא בעיה אמיתית - גיאו-מדעית אחרת יכולה להציג תקלות באופן שונה.

אימות וזיהוי בלתי-וודאי

נפילה נפוצה היא מדיפולגי אימות תקפים מוגזמת. כי ה- voxels השכנה בקוביות סיסמיות הם מאוד מתואמות, פיצולים אקראיים של רכבות יכול להוביל לדליפה נתונים - המודל מופיע להופיע היטב כי זה רואה כתמים דומים נראים כמו נראה כתמים בשני הסטים.נכון דורש פיצול על ידי אזור או מרחבי, כגון לצאת 3D שלם כדי לבדוק את מונטה קרלו, והם משתמשים ברזולוציה גבוהה של אבטחה, אשר דורש להתמקד על ידי מתורגמן, אשר דורש ריכוז מוקדם יותר, אשר דורש חיזוי אבטחה, אשר דורש חיזוי אבטחה עמוקה, אשר דורש חיזוי אבטחה, אשר משמש חיזוי יעיל יותר, אשר דורש אכזבה היא ניסיון יעיל יותר, אשר הוא ניסיון יעיל יותר, אשר דורש מתורגמן, כי הוא ניסיון יעיל יותר, אשר דורש מתורגמן, אשר דורש מתורגמן, אשר דורש אכזבה להתמקד על ידי מתורגמן, 000 חיזוי אבטחה אינטנסיבית, אשר משמש חיזוי אבטחה אינטנסיבית, אשר דורש חיזוי אבטחה אינטנסיבית, אשר דורש חיזוי אבטחה אינטנסיבית, אשר דורש אכזבה, אשר דורש מתורגמן, 000 אכזבה, 000.

אתגרים ספציפיים למחקר משאבים לא קונבנציונלי

למרות הצלחות, אימוץ למידה עמוק בהופעות לא קונבנציונליות ניצב בפני מכשולים.אתגר גדול אחד הוא המחסור בנתונים מתוייגים: רבים אגן לא קונבנציונליים יש רק כמה בארות קליברציה, כל אחד עם ליבת מוגבלת ונתוני יומן העברת מידע מהגדרות קונבנציונליות לא יכול לעבוד טוב כי אופיים סיסמית'ים שונים.

עלות Computational נותרה מחסום מעשי.אימון רשת של 3D על בסיס 500 ק"מ:0.306FLT:1 סקר יכול לקחת ימים על אשכול רב-GPU, וההקצאה על נפח מלא גם דורשת משאבים משמעותיים.ענן מחשוב הפך את זה נגיש יותר, אבל מפעילי קטנים יותר עשויים להיאבק.

שילוב פיזי

למידה עמוקה מבוססת נתונים טהורה יכולה לייצר תוצאות גיאולוגיות לא מציאותיות - למשל, לחזות שכבת stratigraphic כי צריך להיות מתמשך. שילוב מגבלות פיזיות לתוך ארכיטקטורת הרשת או תפקוד אובדן הוא אזור מחקר פעיל.רשתות עצביות-מודעות לפיזיקה (PINNs) להוסיף תנאים קבועים כי הפרות של פיזיקה ידועה (למשל, גליפולציה, מערכות יחסים עצביות, עבור יישומים לא-מרפאים מוקדמים, יכול לעקוב אחר מגמות אימון מוגבלות זה יכול להיות מסוגלות מופחתות, אבל לחזות תופעות אימונים מוגבלות.

עתיד Outlook: עיבוד בזמן אמת ושילוב רב-Physics

הגבול הבא ללמידה עמוקה בפרשנות הסיסמית הוא עיבוד בזמן אמת במהלך הרכישה. Edge מכשירים עם מאיץ רשת עצביים בעלי כוח נמוך יכול לבצע זיהוי תקלות אוטומטי ובקרת איכות כמו כלי השיט הסיסמי או צוות הקרקע לרכוש נתונים, המאפשר שכנוע מיידי של קווים באיכות ירודה.בפיתוח לא קונבנציונלי, עיבוד בזמן אמת של סיסמי בעוד קידוח (D) יכול לעזור נתונים על בסיס קרוב מאוד.

כיוון מבטיח נוסף הוא ההיתוך של נתונים סיסמיים עם נתונים גיאופיזיים והנדסתיים אחרים - ניטור מיקרוסיולוגי, לחץ ראש גבוה, שיעורי הייצור - במודל למידה מעמיק אחיד המנבא את האפקטיביות של המחקר המוקדם ב"מורים במדעי הרוח" רשתות עצביות מראות כי שילוב תכונות סיביות ומיקרו-מיקרו-סיזם משפר את החיזוי של נפח ממריץ (SRV) בהשוואה ל-40% בלבד, כמו גם שיטות למידה שחורות.

(ב) לקריאה נוספת על מתודולוגיות ספציפיות, האגודה של חקר גיאופיזיקאי (SEG) פרסמה מחקרים נרחבים בכתב העת שלה FLT:0 InterpretationFLT:1, כולל נתוני למידה מעמיקים של זיהוי לקוי.The FLT:2Seismic EnergyFLT 3 מספק כלים קוד פתוח ליישום CNNs לנתוני סימטרי, בנוסף לסקירה מקיפה של שיטות למידה:

מסקנה

אלגוריתמים למידה עמוקה שינו באופן יסודי פרשנות סיסמית לחקר משאבים בלתי קונבנציונלית.על ידי זיהוי תקלות, סיווג המשרות וחיזוי נכסים, הם מאפשרים לחוקרים לעבד כרכים סיסמית בקנה מידה בקנה מידה עם אובייקטיביות ומהירות.המפתח להצלחה נמצא בתווית נתונים זהירה, בחירת מודל מתאימה ואסטרטגיות אימות אשר מהוות עבור מתאם מרחבי.