Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж
DOI:
https://doi.org/10.15407/dopovidi2024.03.011Ключові слова:
модель машинного навчання, нейронна мережа, сейсміка, U-net архітектура, функція втратАнотація
Розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі архітектури U-net для збільшення роздільної здатності та збільшення значення сигнал/завада для полів сейсмічної зйомки 2D і 3D досліджень із застосуванням синтетичного набору тренувальних даних. Описано будову моделі, наведено метрики якості тренування/валідації. Побудовано алгоритм для підготовки мігрованих сейсмічних даних у стандартному форматі SEGY для опрацювання за допомогою моделі і зворотною конвертацією у вхідний формат.
Завантаження
Посилання
Nabhan, M. Hauzan. (2024). Analysis of Geological Structure based on 3D Virtual Outcrop Model and Physical Properties of Rocks in Wringinanom District, Gresik Regency, IOP Conference Series Earth and Environmental Science, 1307, No. 1. https://doi.org/10.1088/1755-1315/1307/1/012024
Nascimento, A. et all. (2023). Well-velocity variogram sensibility analysis when building geologically constrained velocity models for onshore seismic data. Conference: 18th Int. Congress of the Brazilian Geophysical Society.
Zhang, Y.-G., Wang, Y. & Yin, J.-J. (2010). Single point high density seismicdata processing analysis and initial evaluation. Shiyou Diqiu Wuli Kantan (Oil Geophys. Prospecting), 45, No. 2, pp. 201-207.
Xiao, F. et al. (2014). High-density 3D point receiver seismic acquisition andprocessing—a case study from the Sichuan Basin, China. Firs t Break, 32, No. 1. https://doi.org/10.3997/1365-2397.32.1.72598
Rebert, T., Sablon, R., Vidal, N., Charrier, P. & Soubaras, R. (2012). Improving pre-salt imaging with variable-depth streamer data. Proc. SEG Tech. Program Expanded Abstr., Sep., pp. 1-5.
Yang, J., Zhang, Y., Yu, Y. (2021). Nested U-Net Architecture Based Image Segmentation for 3D Neuron Reconstruction. J. Medical Imaging and Health Informatics. https://doi.org/10.1166/jmihi.2021.3379
Lu, P., Morris, M., Brazell, S., Comiskey, C. & Xiao, Y. (2018). Using generative adversarial networks to improve deep-learning fault interpretation networks. Lead. Edge, 37, No. 8, pp. 578-583. https://doi.org/10.1190/ tle37080578.1
Lim, B., Son, S., Kim, H., Nah, S. & Lee, K. M. (2017). Enhanced deepresidual networks for single image super-resolution. Proc. IEEEConf. Comput. Vis. Pattern Recognit. Workshops (CVPRW), pp. 136-144.
Wu, X., Liang, L., Shi, Y. & Fomel, S. (2019). FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation. Geophysics, 84, No. 3, pp. IM35—IM45. https://doi.org/10.1190/geo2018-0646.1
Wu, X., Geng, Z., Shi, Y., Pham, N., Fomel, S. & Caumon, G. (2020). Building realistic structure models to train convolutional neural net-works for seismic structural interpretation. Geophysics, 85, No. 4, pp. WA27-WA39. https://doi.org/10.1190/geo2018-0646.1
Nedzelskyi, O. Y. & Lashchevska, N. O. (2023) Super-Resolution Image Restoration Using Convolutional Neural Network. Visnyk NTUU KPI Seriia — Radiotekhnika Radioaparatobuduvannia, 91, pp. 79-86 (in Ukrainian). https://doi.org/10.20535/RADAP.2023.91.79-86
Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V. & Garcia-Rodriguez, J. (2017). A review on deep learning techniques applied to semantic segmentation. arXiv:1704.06857. https://doi.org/10.48550/ arxiv.org/abs/1704.06857
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Reports of the National Academy of Sciences of Ukraine
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
