Применение сверточных нейронных сетей для поиска и определения физических характеристик неоднородностей в геологической среде по сейсмическим данным
https://doi.org/10.25587/SVFU.2023.87.50.008
Аннотация
В работе с применением сверточных нейронных сетей решаются обратные задачи сейсморазведки определения пространственного положения и физических характеристик, таких как доля слипшейся поверхности и характер насыщения, геологических трещин. Обучающая и валидационная выборки формируются с использованием численного моделирования с применением сеточно-характеристического метода на неструктурированных сетках в двумерном случае. Используются определяющие уравнения механики сплошных сред, трещины задаются в области интегрирования дискретно — такой подход позволяет получить наиболее детальные картины волновых откликов.
Об авторах
М. В. Муратов
Московский физико-технический институт
Россия
Россия
Муратов Максим Викторович
Институтский пер., 9, Московская обл., г. Долгопрудный 141700
Д. С. Конов
Московский физико-технический институт
Россия
Россия
Конов Денис Сергеевич
Институтский пер., 9, Московская обл., г. Долгопрудный 141700
Д. И. Петров
Московский физико-технический институт
Россия
Россия
Петров Дмитрий Игоревич
Институтский пер., 9, Московская обл., г. Долгопрудный 141700
И. Б. Петров
Московский физико-технический институт
Россия
Россия
Петров Игорь Борисович
Институтский пер., 9, Московская обл., г. Долгопрудный 141700
Список литературы
1. Claerbout J. F. Coarse grid calculations of waves in inhomogeneous media with application to delineation of complicated seismic structure // Geophys. 1970. V. 36, N 3. P. 407–418.
2. Etgen J., Gray S., Zhang Y. An overview of depth imaging in exploration geophysics // Geophys. 2009. V. 74. WCA5–WCA17.
3. Jiao K., Huang W., Vigh D., Kapoor J., Coates R., Starr E. W., Cheng X. Elastic migration for improving salt and subsalt imaging and inversion // SEG Technical Program Expanded Abstracts. 2012. P. 1–5.
4. Luo Y., Tromp J., Denel B., Calandra H. 3D coupled acoustic-elastic migration with topography and bathymetry based on spectral-element and adjoint methods // Geophys. 2013. V. 78, N 4. P. S193–S202.
5. Муратов М. В., Петров Д. И., Рязанов В. В., Бирюков В. А. Решение обратных задач сейсморазведки трещиноватых пластов методами машинного обучения // Успехи кибернетики. 2022. Т. 3, № 1. С. 8–13. DOI: 10.51790/2712-9942-2022-3-1-1.
6. Muratov M. V., Petrov D. I., Biryukov V. A. The solution of fractures detection problems by methods of machine learning // Smart Modelling for Engineering Systems. Singapore: Springer, 2021. (Smart Innov. Syst. Technol.; V. 215).
7. Zhang C., Frogner C., Araya-Polo M., Hohl D. Machine-learning based automated fault detection in seismic traces // EAGE Conf. Exhib. 2014.
8. Araya-Polo M., Dahlke T., Frogner C., Zhang C., Poggio T., Hohl D. Automated fault detection without seismic processing // The Leading Edge. 2017. V. 36, N 3. P. 208–214.
9. Wu Yue, Lin Y., Zhou Zh., Delorey A. Seismic-net: A deep densely connected neural network to detect seismic events. 2018. arXiv:1802.02241.
10. Menga M., Chua Y. J., Woutersonb E., Ong C. P. K. Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks // Neurocomput. 2017. V. 257. P. 128-135.
11. Кондауров В. И., Фортов В. Е. Основы термомеханики конденсированной среды. М.: МФТИ, 2002.
12. Челноков Ф. Б. Численное моделирование деформационных динамических процессов в средах со сложной структурой. Дис. . . . канд. физ.-мат. наук. М.: МФТИ, 2005.
13. Магомедов К. М., Холодов А. С. Сеточно-характеристические численные методы. М.: Наука, 1988.
14. Golubev V. I., Shevchenko A. V., Khokhlov N. I., Nikitin I. S. Numerical investigation of compact grid-characteristic schemes for acoustic problems // J. Phys. Conf. Ser. 2021. V. 1902, N 1. 012110.
15. Petrov I. B, Tormasov A. G, Kholodov A. S. On the use of hybrid grid-characteristic schemes for the numerical solution of three-dimensional problems in the dynamics of a deformable solid // USSR Comput. Math. Math. Phys. 1990. V. 30, N 4. P. 191–196.
16. Favorskaya A. V, Breus A. V, Galitskii B. V. Application of the grid-characteristic method to the seismic isolation model // Smart Innov. Syst. Technol. 2019. V. 133. P. 167–181.
17. Козлов Е. А. Модели среды в разведочной сейсмологии. Тверь: ГЕРС, 2006.
18. Левянт В. Б., Петров И. Б., Квасов И. Е. Численное моделирование волнового отклика от субвертикальных макротрещин, вероятных флюидопроводящих каналов // Технологии сейсморазведки. 2011. Т. 4. С. 41–61.
19. Petrov I. B., Muratov M. V. The application of grid-characteristic method in solution of fractured formations exploration seismology direct problems (review article). Mat. Mod. 2019. V. 31, N 4. P. 33–56.
20. Караев Н. А., Левянт В. Б., Петров И. Б., Караев Г. Н., Муратов М. В. Оценка методами математического и физического моделирования возможности использования обменных рассеянных волн для прямого обнаружения и характеристики систем макротрещин // Технологии сейсморазведки. 2015. Т. 1. С. 22–36.
21. Муратов М. В., Стогний П. В., Петров И. Б., Анисимов А. А., Караев Н. А. Изучение динамических процессов в задачах сейсморазведки пластов мезотрещиноватости методами математического и физического моделирования // РЭНСИТ. 2021. Т. 13, № 1. С. 71–78.
22. Ioffe S., Szegedy Ch. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proc. 32nd Int. Conf. Machine Learning. 2015. V. 37. P. 448–456. https://doi.org/10.48550/arXiv.1502.03167.
23. Paszke A., Gross S., Massa F. PyTorch: An imperative style, high-performance deep learning library // 33rd Conf. Neural Information Processing Systems (NeurIPS 2019). Vancouver, Canada, 2019.
24. Paszke A., Gross S., Chintala S. Automatic differentiation in PyTorch // 31st Conf. Neural Information Processing Systems (NIPS 2017). Long Beach, CA, 2017.
Рецензия
Для цитирования:
Муратов М.В., Конов Д.С., Петров Д.И., Петров И.Б. Применение сверточных нейронных сетей для поиска и определения физических характеристик неоднородностей в геологической среде по сейсмическим данным. Математические заметки СВФУ. 2023;30(1):101-113. https://doi.org/10.25587/SVFU.2023.87.50.008
For citation:
Muratov M.V., Konov D.S., Petrov D.I., Petrov I.B. Application of convolutional neural networks for search and determination of physical characteristics of inhomogeneities in geological media from seismic data. Mathematical notes of NEFU. 2023;30(1):101-113. (In Russ.) https://doi.org/10.25587/SVFU.2023.87.50.008
Просмотров:
3
JATS XML
Послать статью по эл. почте 