В Институте нефтегазовой геологии и геофизики им. А. А. Трофимука СО РАН представили новую реализацию метода анализа и инверсии поверхностных волн (SWI), основанную на глубоком машинном обучении. Это позволяет автоматизировать и ускорить построение скоростной модели верхней части геологического разреза.
Классическая обработка данных поверхностных волн заключается в извлечении и инверсии дисперсионных кривых. Как правило, исследователи выполняют эту операцию в ручном режиме, используя специальные компьютерные программы. Однако при обработке больших объемов сейсморазведочных данных выполнять все необходимые операции вручную уже непрактично — необходима автоматизация процесса.
В последние годы нейронные сети обучились выделять те или иные объекты на изображениях со схожими характеристиками — например, распознавать лица на фотографиях или помогать в диагностике рентгеновских снимков.
«По аналогии с этими задачами, нейронные сети могут успешно выявлять сложные закономерности, описывающие нелинейный дисперсионный закон поверхностной волны», — рассказал старший научный сотрудник лаборатории динамических проблем сейсмики ИНГГ СО РАН кандидат физико-математических наук Александр Викторович Яблоков.
По его словам, нейронные сети устойчивы к случайному шуму и нетребовательны к вычислительным ресурсам. Кроме того, при использовании заранее обученной нейросети, нет необходимости дополнительной настройки параметров перед обработкой сейсморазведочных данных.
Комплекс алгоритмов метода SWI, разработанный в ИНГГ СО РАН, включает в себя использование двух типов нейронных сетей: автоэнкодера (тип нейронной сети, используемый для обучения без учителя) для извлечения дисперсионных кривых и полносвязанную нейронную сеть для их инверсии.
Разработанные алгоритмы были апробированы на реальных данных, зарегистрированных в ходе наземных сейсморазведочных работ на нефтегазовом месторождении в Ханты-Мансийском автономном округе. В результате была успешно построена модель верхней части разреза.
«Предложенный комплекс алгоритмов эффективно автоматизирует и ускоряет метод SWI, делая его применимым для обработки больших объемов сейсморазведочных данных», — резюмировал Александр Яблоков.
Исследование выполнено при поддержке совместного гранта Российского научного фонда и правительства Новосибирской области№ 23-27-10042.
Пресс-служба ИНГГ СО РАН