Отправлено: 14.03.21 13:06. Заголовок: Optimizing the use of synthetic training

Deep neural network application for 4D seismic inversion to changes in
pressure and saturation: Optimizing the use of synthetic training
datasets
Gustavo Côrte1∗, Jesper Dramsch2, Hamed Amini1,† and Colin MacBeth1
1Heriot-Watt University, Edinburgh, EH14 4AS, UK, and 2Technical University of Denmark, Copenhagen, Denmark
Geophysical Prospecting, 2020, 68, 2164–2185


В данной работе мы решаем задачу количественной оценки динамики коллектора.
изменения свойств в течение периода производства, непосредственно из четырехмерного
сейсмические данные в амплитудной области. Мы используем глубокую нейронную сеть для инвертирования четырехмерные карты амплитуд сейсмических волн для одновременных изменений давления, водо- и газонасыщенности.

Метод применяется к случаю реальных полевых данных, где,
как это часто бывает в таких приложениях, данных, измеренных на скважинах, недостаточно.
для правильного обучения глубоких нейронных сетей, таким образом, сеть обучается на синтетических данных.
Обучение на синтетических данных дает большую свободу в разработке набора обучающих данных, поэтому важно понимать влияние распределения данных на
результаты инверсии. Чтобы определить лучший способ создания набора синтетических обучающих данных, мы провести исследование четырех различных подходов к заполнению обучающей выборки.
замечания о размерах данных, общности сети и влиянии физических ограничений.
Используя результаты имитационной модели коллектора для заполнения наших обучающих наборов данных, мы демонстрируем преимущества ограничения обучающих выборок последовательным потоком жидкости комбинации в области динамических свойств коллектора. Благодаря этому сеть узнает физические корреляции, присутствующие в обучающем наборе, включающие эту информацию в процесс вывода, что позволяет ему делать выводы о свойствах, к которым
сейсмические данные наиболее неопределенны.

Дополнительно мы демонстрируем важность применения методов регуляризации, таких как добавление шума к синтетическим данным для обучения и показать возможность оценки неопределенностей в результатах инверсии с помощью обучение нескольких сетей.