Технологія збільшення розрізненої здатності мігрованих сейсмічних даних на основі використання нейронних мереж

Abstract

Носков О.В. Технологія збільшення розрізненої здатності мігрованих сейсмічних даних на основі використання нейронних мереж – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття кваліфікаційного рівня PhD candidate за спеціальністю 122 – Комп'ютерні науки. – Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України, Київ, 2025. Дисертаційне дослідження присвячено вирішенню актуальної науково-технічної задачі збільшенню розрізненої здатності та збільшенню співвідношення сигнал/завада для мігрованих сейсмічних даних. Мета роботи – збільшення розрізненої здатності мігрованих даних польової сейсмічної зйомки в 2D і 3D форматах із застосуванням згорткової нейронної мережі із оптимізованими для вирішення даної задачі параметрами, а саме – архітектурою мережі, функцією втрат і аугментованого набору вхідних синтетичних даних використаних для її навчання. Відповідно до мети роботи було поставлено такі завдання дослідження: - аналіз існуючих технік підвищення розрізненої здатності мігрованих сейсмічних даних з використанням нейронних мереж та визначення недоліків їх використання в геолого-геофізичних умовах Дніпровсько-Донецького басейну; - формування масиву даних що відповідають геолого-геофізичним умовам Дніпровсько-Донецького басейну для навчання та перевірки моделі штучного інтелекту; - підбір оптимальної архітектури нейронної мережі та підбір функцій втрат та їх комбінування для вирішення поставленої задачі; - аугментація набору даних для ефективного тренування моделі; - ітеративне тестування та внесення коригувань в модель нейронної мережі та вхідний масив даних для досягнення оптимальних результатів навчання моделі; - отримання та перевірка результатів тренування моделі на практичних мігрованих кубах. Об'єкт дослідження – процеси формування послідовностей даних для ефективного навчання моделі нейронної мережі з метою збільшення розрізненої здатності мігрованих матеріалів сейсмічної зйомки. Предмет дослідження – інформаційна технологія обробки мігрованих сейсмічних даних для збільшення розрізненої здатності на основі використання нейронних мереж. У першому розділі роботи описано еволюцію геофізичних досліджень, що проводились в межах головного нафтогазоносного басейну України, Дніпровсько-Донецької западини (ДДЗ), описано головні методики міграційної обробки польового сейсмічного матеріалу, що застосовуються в сучасній геології, описано розвиток машинного навчання як окремого напрямку робіт з даними, сконцентровано увагу на сучасних тенденціях алгоритмів нейронних мереж. У зв'язку зі зростаючою тенденцією на залучення алгоритмів нейронних мереж до обробки сейсмічних даних, було приведено приклади їх успішного застосування в геологорозвідувальному процесі, зокрема в питанні поліпшення якості як попередньої обробки польових сейсмічних матеріалів, так і пост-обробки мігрованих сейсмічних 3D кубів та 2D профілів. У другому розділі роботи описано сучасні тенденції в геологорозвідувальних роботах, у тому числі – побудову моделі родовища, що базується на сіквенс-стратиграфічному підході, що гармонійно поєднує в собі як свердловинні дані, так і матеріали сейсморозвідувальних робіт, формуючи якісний каркас для розповсюдження колекторських властивостей, а також прогнозування напрямку змін літологічного складу осадової товщі. Проведено аналіз якості та достатності існуючих сейсмічних матеріалів для побудови моделі нейронної мережі для підкреслення ключових рис хвильового поля, що притаманні межі мі окремими парасіквенсами. Дійдено висновку стосовно недостатності якості існуючих сейсмічних матеріалів і дійдено висновку стосовно необхідності створення додаткового кроку їх пост-обробки з метою збільшення розрізненої здатності. Проведено аналіз ринку існуючих програмних рішень в тому числі для покращення процесу геофізичної інтерпретації сейсмічних даних, виділено ряд програмних пакетів, а також обрано архітектуру нейронної мережі, що доцільно використовувати для вибудови програмного рішення поставленої задачі збільшення розрізненої здатності мігрованих сейсмічних матеріалів. В подальшому розділ містить опис побудови моделі штучного інтелекту для 2D набору даних – вказуються особливості компоновки самої моделі, обґрунтовується вибір активізаційної функції як окремих конволоюційних блоків, так і загальну активізаційну функцію моделі. Роз'яснено вибір функції втрат як з точки зору механіки роботи для конкретної моделі штучного інтелекту, так і з точки зору кінцевого користувача – а саме спеціаліста з інтерпретації сейсмічних даних. Вказано чому найкраще з точки зору прогнозної статистики моделі рішення не є таким з точки зору подальшої роботи з даними. Наприкінці розділу описано проблематику застосування існуючої прогнозної моделі фіксованого розміру до польових даних, попередньо чий розмір не є відомим. Описано процес трансформації даних із вхідного робочого формату *.SEGY до робочого *.NUMPY і зворотної трансформації у вхідний формат для подальшого ведення інтерпретаційних робіт з даними покращеної якості. У третьому розділі роботи описано задачу застосування створеної моделі для роботи з 2D даними до трьохмірних мігрованих кубів – а саме проблему відсутності часткового просторового контексту для прогнозу моделі. Обґрунтовано необхідність створення іншої моделі – на базі архітектури U-net. Описано зміни, які були внесені як в модель, так і в тренувальний та перевірочний набори даних, а саме: - алгоритм трансформації 2D зображень до псевдо 3D матриць, що імітують геологічні зміни в своїй структурі - алгоритм афінних перетворень для подолання проблеми «горизонтальності» прогнозу моделі - алгоритм блюр-зон, артефактів вхідних сейсмічних даних, що суттєво покращив якість прогнозу. Сконцентровано увагу на розрахунки потужностей, необхідних для обрахунку збільшеного масиву даних для 3D варіанту мережі, наведено приклади підбору параметрі зерна прогнозу моделі для оптимізації розрахунків. Наведено пояснення безальтернативності використання платних дата центрів для високонавантажених обрахунків моделі, наведено приклади якості прогнозу із використанням збільшеного зерна прогнозу і без нього. На додаток перелічено результати прогнозу моделі – куби без відновлення оригінального діапазону значень, і з його відтворенням, і наведено додаткові данні, що можна отримати за умови їх використання в процесі геологічного моделювання. У четвертому розділі роботи описано рівні масштабування при веденні геологорозвідувальних робіт і вказано необхідність якісної прив'язки між сейсмічними і каротажними даними. Приведено найгостріші проблеми при роботі з індукційним каротажем – а саме усунення впливу показників сусідніх пластів для покращення вертикальної розрізнюваності, а також проблему визначення питомого радіального опору для коректного визначення літології та насичення пласта. Для кожної з висвітлених проблем було запропоноване рішення у вигляді простої нейронної мережі, що обробляє саме каротажні дані.