Подавление кратных отраженных волн с помощью свёрточных нейронных сетей

1.

Подавление кратных отраженных волн с помощью
свёрточных нейронных сетей
“Новосибирский Государственный Университет,
Геолого-геофизический факультет”
Работу выполнил: А.М. Камашев, студент 2 курса магистратуры IT-геофизика
Научный руководитель – доцент канд. физ.-мат. наук, А. А. Дучков

2.

Актуальность
• Кратные отражённые волны являются волнами-помехами
• Интерференция кратных волн с целевыми волнами
• Существующие алгоритмы требуют ручного подбора параметров и тяжелых вычислительных
затрат
• Актуальная задача по разработке и улучшению алгоритмов подавления кратных волн в
сейсмических данных.
Временной разрез до процедуры подавления кратных
отражённых волн
[Stoughton D. et al, 2001]
Временной разрез после процедуры подавления кратных
отражённых волн
2

3.

Цель и задачи
Цель:
• Подавление кратных волн для избавления от ложных границ
Задачи:
• Автоматизация и ускорение процедуры адаптивного вычитания за счёт
использования свёрточных нейронных сетей
• Тестирование подхода на синтетических и реальных данных
• Сравнение реализованного подхода с аналогами
3

4.

Вычитание кратных волн из сейсмической записи
Адаптивное вычитание
1 Этап
Удаление, м
Исходная сейсмограмма
[Yilmaz, 2001]
2 Этап
Удаление, м
Модель кратных
Время, мс
Построение модели кратных (например,
преобразование Радона)
Время, мс
Этап 2
Время, мс
Этап 1
Удаление, м
Результат адаптивного вычитания
4

5.

Методы адаптивного вычитания
Время, мс
Время, мс
Время, мс
Время, мс
Вычитание на основе разложения по
волновым пакетам [Neelamani, 2010]
Вычитание на основе свёрточных фильтров
[Verschuur, 2013]
Удаление, м
Удаление, м
Исходная сейсмограмма
Результат адаптивного вычитания
Особенности алгоритма:
1. Простая реализация
2. Высокая скорость
3. Ручной подбор окна
4. Проблемы в зонах интерференции
Удаление, м
Исходная сейсмограмма
Удаление, м
Результат адаптивного вычитания
Особенности алгоритма:
1. Высокое качество подавления в т.ч. в
зонах интерференции
2. Высокие требования к
вычислительным ресурсам
5

6.

Адаптивное вычитание кратных с помощью свёрточной нейронной сети (СНС)
Входные параметры:
а) исходная сейсмограмма;
б) модель кратных отражённых волн
Выходные параметры:
а) результат адаптивного вычитания
б) адаптированная модель кратных
6

7.

Глубина, м
Скорость, м/с
Формирование обучающей выборки
Ось Х, м
Глубинно-скоростная модель
а)
б)
в)
г)
Подготовка синтетического набора данных: а) исходная
сейсмограмма; б) модель кратных; в) сейсмограмма
однократных отражений; г) сейсмограмма кратных отражений
7

8.

Увеличение размера обучающей выборки на основе поворота данных
a)
б)
в)
Аугментация обучающей выборки на основе поворота данных: а) угол поворота 5 градусов; б) угол поворота 15 градусов; в) угол поворота 45 градусов
8

9.

Глубина, м
Скорость, м/с
Тестирование работы нейронной сети на синтетических данных
a)
б)
Результат адаптивного
вычитания
Ось Х, м
Глубинно-скоростная модель
в)
Адаптированная модель
кратных
г)
Подготовка синтетического набора данных для тестирования
работы СНС: а) исходная сейсмограмма; б) модель кратных; в)
сейсмограмма однократных отражений; г) сейсмограмма
кратных отражений
9

10.

11.

Тестирование на реальных данных (Mobil AVO viking graben line 12)
Был обработан набор морских данных в программном
пакете Geovation 2
Предварительный граф обработки взятый из [Madiba G.,
2003]:
1. подгрузка данных
2. введение геометрии
3. полосовая фильтрация (нульфазовый, 5-10-50-70 Гц)
4. сферическое расхождение.
Граф обработки на подавление кратных:
1. введение кинематической поправки (спрямление
годографов)
2. построение модели кратных с помощью
преобразования Радона
3. адаптивное вычитание модели кратных на основе
фильтров Винера (для полного набора данных
занимает 300 секунд)
Карта района Viking Graben [Brown, 1990]
[Keys R.G, Foster D.J., 1998]
11

12.

Подавление кратных в обрабатывающем пакете
Исходная сейсмограмма
Модель кратных
Результат адаптивного вычитания
12

13.

Временной разрез до подавления кратных отражений
13

14.

Временной разрез после подавления кратных отражений в обрабатывающем
пакете
14

15.

Формирование обучающей выборки
a)
б)
a)
б)
в)
г)
в)
г)
Подготовка реального набора данных для тестирования работы
СНС: а) исходная сейсмограмма; б) модель кратных; в)
сейсмограмма однократных отражений; г) сейсмограмма
кратных отражений
Аугментация данных путём поворота данных: а) исходная
сейсмограмма; б) модель кратных; в) сейсмограмма
однократных отражений; г) сейсмограмма кратных отражений
15

16.

Тестирование работы нейронной сети на реальных данных
Исходная сейсмограмма
• Нормированное среднеквадратичное
отклонение (NRMSD) между СНС и ПО
варьируется от 1 до 5%
Результат работы СНС
• Применение обученной нейронной
сети для полного набора данных
занимает 10 секунд
Результат работы ПО
16

17.

Временной разрез до подавления кратных
1
2
3
17

18.

Сравнение результата работы СНС и обрабатывающего ПО (окно №1)
Исходный временной разрез
Результат работы СНС
Результат работы ПО
18

19.

Сравнение результата работы СНС и обрабатывающего ПО (окно №2)
Исходный временной
разрез
Результат работы СНС
Результат работы ПО
19

20.

Сравнение результата работы СНС и обрабатывающего ПО (окно №3)
Исходный временной
разрез
Результат работы СНС
Результат работы ПО
20

21.

Выводы
1.
Была разработана архитектура свёрточной нейронной сети, основанная на переходе в
разреженное пространство с последующим выделением и фильтрацией особенностей
данных
2.
Свёрточная нейронная сеть была обучена и успешно протестирована на серии
синтетических и реальных тестов
3.
Применение свёрточной нейронной сети позволило ускорить процедуру адаптивного
вычитания (по сравнению с альтернативными процедурами) в 30 раз, при этом
сохранив качество подавления кратных.
4.
Свёрточная нейронная сеть позволяет не только ускорить процедуру адаптивного
вычитания, но и повысить качество подавления кратных.
21

22.

English Русский Rules