‫التصوير المقطعي للتعلم العميق‬

‫‪2‬‬ ‫‪،3‬‬ ‫‪،1‬‬

‫وتايلور دالك‬ ‫جوزيف جينينغز ‪ ،1،2‬أمير أدلر‬ ‫موريسيو& أرايا بولو‬

‫تم تنزيله في‬

‫الملخص‬
‫حملت المجلة قس ًما خاصًا حول كيفية تمهيد& التحليالت والتعلم اآللي (تي إل إي‪،‬‬
‫يعد بناء نموذج& السرعة خطوة رئيسية في استغالل الهيدروكربونات‪ .‬المنتج‬
‫مارس ‪ )2017‬الختراقات في جوانب مختلفة من سير عمل االستكشاف‪ ،‬لكن‬
‫الرئيسي لبناء نموذج& السرعة هو نموذج أولي للسطح الجوفي الذي يستخدم الحقًا‬
‫معظم العمل ال يزال يركز على تحديد الميزات أو السمات في الصور المهاجرة‬
‫في سير عمل التصوير الزلزالي والتفسير‪ .‬التصوير المقطعي باالنعكاس أو‬
‫(هيل‪ 2012 ،‬؛ هيل‪ 2013 ،‬؛ غيلين‪ 2015 ،‬؛ أديسون‪ 2016 ،‬؛ بوغر وهيرمان‪،‬‬
‫االنكسار وانعكاس& الشكل الموجي الكامل (‪ )FWI‬هي التقنيات& األكثر استخدا ًما‬
‫‪ ،)2016‬وبالتالي المساعدة في معالجة خطوة التفسير‪ .‬تم اقتراح القليل جدًا‬
‫في بناء نموذج& السرعة‪ .‬من ناحية‪ ،‬يعد التصوير المقطعي نشاطًا مستهل ًكا للوقت‬
‫للمساعدة بشكل مباشر في المعالجة أو بناء نموذج& السرعة‪ .‬بشكل عام‪ ،‬األدبيات‬
‫يعتمد& على التحديثات المتتالية للتحليل المنسق بشريًا للتجمعات‪ .‬من ناحية أخرى‪،‬‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫وفيرة مع تحسينات& على سير العمل هذا‪ ،‬لكنها تظل إلى حد كبير دون مساس‪.‬‬
‫فإن ‪ FWI‬متطلبة للغاية من الناحية الحسابية مع عدم وجود ضمانات للتقارب‬

‫إلى‬
‫تنتج طريقتنا نماذج السرعة مباشرة من البيانات& الزلزالية الخام بطريقة‬
‫العالمي‪ .‬نقترح وننفذ مفهو ًما جديدًا يتجاوز هذه الخطوات الصعبة‪ ،‬وينتج مباشرة‬

‫‪30/12/17‬‬
‫بديلة للتصوير المقطعي الكالسيكي‪ .‬كما أنها تلقائية ودون الحاجة إلى تدخل‬
‫نموذجً ا دقيقًا للشبكة أو السرعة الطبقية من مجموعات اللقطات‪ .‬يعتمد& نهجنا على‬

‫‪144.82.238.225‬‬
‫بشري‪ .‬تتبع تقنية التعلم اآللي المستخدمة العمل األخير ( ‪ Zhang et al.، 2014‬؛‬
‫تدريب الشبكات العصبية العميقة‪ .‬يرسم النموذج التنبئي الناتج العالقات بين‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫‪ Frogner et al.، 2015‬؛ ‪ Dahlke et al.، 2016‬؛ ‪Araya - Polo et al. ،‬‬
‫ال سيما وجود شرائح عالية السرعة قد‬ ‫مساحة البيانات والمخرجات النهائية (‬
‫‪ )2017‬الذي يوضح هذا النهج الجديد‪ ،‬والذي يستخدم نموذجً ا إحصائيًا للشبكة‬
‫تشير إلى التكوينات الملحية)‪ .‬تستغرق& مهمة التدريب بضع ساعات للبيانات ثنائية‬
‫العصبية العميقة (‪ )DNN‬لتحويل البيانات& الزلزالية األولية مباشرة إلى التعيين‬
‫األبعاد‪ ،‬لكن خطوة االستدالل (التنبؤ& بنموذج من البيانات& غير المرئية سابقًا)‬
‫النهائي في ثنائي األبعاد أو ثالثي األبعاد‪ .‬تأتي التكاليف الحسابية في الغالب من‬
‫ثوان فقط‪ .‬تُظهر النتائج الواعدة الموضحة هنا للبيانات االصطناعية‬ ‫ٍ‬ ‫تستغرق&‬
‫التدريب‪ ،‬والذي يحدث مرة واحدة فقط مقد ًما‪ .‬بعد التدريب‪ ،‬تكون تكاليف إعادة‬
‫ثنائية األبعاد طريقة جديدة الستخدام البيانات الزلزالية وتقترح تحواًل سريعًا في‬
‫بناء نموذج السرعة ضئيلة‪ ،‬مما يجعل تكاليف الحوسبة اإلجمالية جز ًءا صغيرً ا‬
‫سير العمل الذي يستفيد اآلن من مناهج التعلم اآللي لتحديد الهياكل الرئيسية في‬
‫من تلك الالزمة للتقنيات& التقليدية‪ ،‬ال سيما تلك التي تنطوي على محاكاة جزئية‬
‫باطن األرض‪.‬‬
‫قائمة على المساواة التفاضلية‪ .‬أحد العناصر الرئيسية في طريقتنا& هو استخدام‬
‫المقدمة‬ ‫ميزة تعتمد على المظهر الذي يستبق& معلومات& السرعة لعملية التدريب‪ .‬خطوة‬
‫تتعرض تدفقات عمل االستكشاف لضغوط كبيرة بسبب عوامل مثل الحاجة‬ ‫استخراج الميزة هذه آلية وال تخضع للتحيز البشري‪.‬‬
‫إلى تحسين األداء بتكاليف أقل واالنهيار المستمر للبيانات القادمة من أجيال‬ ‫فيما يتعلق بأوضاع النشر‪ ،‬نتوقع أن يتم تدريب النماذج على بيانات محددة‬

‫جديدة من أجهزة االستشعار وأنظمة االستحواذ الحديثة‪ .‬تعتمد بعض الخطوات‬
‫الرئيسية في سير عمل االستكشاف على خبراء المجال‪ .‬وقتهم ثمين ومحدود‪ ،‬لكن‬
‫كمية البيانات التي تحتاج إلى تحليل شامل آخذة في االزدياد‪ .‬باإلضافة إلى ذلك‪،‬‬
‫يتطلب تعقيد بعض مناطق& االستكشاف مزيدًا من االهتمام‪ .‬يمكن تلخيص المشكلة‬
‫على أنها انفجار للبيانات المتزايدة التعقيد‪.‬‬
‫يحتاج علماء الجيولوجيا إلى التمكين بأدوات جديدة تستوعب& أكبر قدر ممكن‬
‫من البيانات قبل أن يتدخل خبير بشري‪ .‬تشترك ثورة الحوسبة عالية األداء (‬
‫‪ )BizTech، 2014‬في نفس الغرض ولكنها تستهدف بشكل أساسي سرعة‬
‫المعالجة بدالً من أي خطوة محددة أخرى في سير عمل االستكشاف‪ .‬تتطلع‬
‫الخوارزميات المتقدمة الموجهة نحو البيانات إلى تحسين كل خطوة من خطوات‬
‫تدفق العمل من خالل فهم أعمق للبيانات‪ ،‬من استخراج المعلومات ذات الصلة‬
‫إلى الحصول على وعي أفضل ببقية الخطوات بطريقة أكثر تكامالً& بدالً من‬
‫صوامع المعرفة‪.‬‬
‫ما نقترحه في هذا العمل يتجاوز ما أصبح المعيار الجديد‪ ،‬وهو تقنيات& التعلم‬
‫‪SEG‬‬
‫تنتمي إلى أشكال رئيسية مختلفة‪ ،‬مثل غير تقليدية أو ما قبل الملح أو ما تحت‬
‫الملح‪ .‬تتعلق المخاوف الرئيسية بخطأ التعميم‪ ،‬الذي يضع بشكل أساسي حدودًا‬
‫لمدى قدرة نموذج التنبؤ على التنبؤ& بدقة بالبيانات غير المرئية‪ .‬أخيرً ا‪ ،‬فيما يتعلق‬
‫بتدفقات أعمال االستكشاف‪ ،‬يمكن للمرء أن يتخيل استخدام هذه التقنية بعد‬
‫الحصول على البيانات مباشرة‪ .‬بعد ذلك‪ ،‬يمكن تحميل النماذج المدربة إلى‬
‫السحابة التي يمكن للمترجمين الفوريين من خاللها سحب اإلنجازات‪ ،‬وبالتالي‬
‫تشكيل اختبار السيناريو عبر اإلنترنت عند إرجاع تعديالت& نماذجهم على‬
‫التطبيقات مثل تلك المقترحة في أرايا بولو وآخرون‪ .)2017 ( .‬يعتمد سير العمل‬
‫المتخيل هذا بشكل كامل على التعلم اآللي‪ ،‬وهو مرن‪ ،‬ومع خبراء المجال في‬
‫مركز عملية صنع القرار الحاسمة‪ .‬إذا كان مصحوبًا بالموارد المناسبة‪ ،‬فإن سير‬
‫العمل هذا يقترب من تجربة في كل مكان في الوقت الفعلي‪.‬‬
‫في هذه الورقة‪ ،‬نبدأ بشرح أساسيات المشكلة متبوعة بمناقشات& حول التعلم‬
‫العميق‪ .‬بعد ذلك‪ ،‬نقدم سير العمل العام الذي يستخدمه نظام التعلم اآللي لدينا‪،‬‬
‫والذي أطلقنا عليه اسم ‪ .GeoDNN‬ثم نناقش نتائجنا& وتجاربنا مع البيانات‬

‫‪/http://library.seg.org‬‬
‫اآللي التي يتم تطبيقها& على خطوات محددة معروفة لسير العمل‪ .‬نفس الشيء‬ ‫االصطناعية ثنائية األبعاد‪ .‬وأخيرً ا‪ ،‬يتم تقديم استنتاجات مع توجيهات& للعمل‬
‫المستقبلي‪.‬‬

‫‪1‬‬
‫شركة شل الدولية لالستكشاف واإلنتاج&‬ ‫‪.https://doi.org/10.1190/tle37010058.1‬‬
‫‪2‬‬
‫جامعة ستانفورد‪.‬‬
‫‪3‬‬
‫معهد ماساتشوستس للتكنولوجيا‪.‬‬

‫‪1‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬ ‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬
 ‫الشكل التوضيحي رقم ‪ .1‬إعادة بناء التصوير المقطعي لنماذج السرعة من البيانات& الزلزالية المسجلة‪.‬‬

‫صياغة المشكلة ‪.1‬‬

‫التعلم اآللي لمشغلي التصوير المقطعي عبر ‪DNNs‬‬
‫من الناحية الرسمية‪ ،‬يمكن التعبير& عن مشكلة التصوير المقطعي التقليدي‬
‫يعد استخدام خوارزميات& التعلم اآللي بديالً جذابًا للمعالجة الزلزالية‬
‫على أنها تقليل وظيفة الهدف التالية‪:‬‬
‫الكالسيكية‪ ،‬ومن بين هذه الفئة من الخوارزميات‪ ،‬قمنا بتنفيذ مشغل التصوير‬
‫المقطعي باستخدام ‪ .DNN‬يتم تعلم مشغل التصوير المقطعي من بيانات التدريب‬
‫الزلزالي‬
‫يم ي‬ ‫م‪-‬د‬ ‫|||‬ ‫‪ .)2001‬يتم تصوير عملية‬ ‫م‬ ‫وآخرون‪،‬‬ ‫هاستي‬ ‫(‬ ‫اإلحصائي‬ ‫التعلم‬ ‫مبادئ‬ ‫باستخدام‬
‫‪ UNTRANSLAT‬طَ‬ ‫ت‬
‫التصوير المقطعي في الشكل ‪ .1‬يقوم بإعادة بناء نموذج السرعة من اآلثار‬
‫_‪ ED_CONTENT‬بي‬ ‫‪2‬‬
‫ب‬ ‫‪START||| ,‬‬ ‫الزلزالية الخام أو من الميزات‬
‫ُ‬ ‫|||)‪(1‬‬
‫ال‬ ‫‪UNTRANSLAT‬‬
‫تَّ‬
‫_‪ED_CONTENT‬‬
‫‪|||END‬‬
‫و‬ ‫‪2‬‬
‫لي‬
‫د‬
‫حيث ‪ m‬هو نموذج السرعة األمثل الذي يقلل من )‪ ،J(m‬و ‪ dm‬هو متجه بيانات&‬ ‫محسوبة من اآلثار الزلزالية الخام (كجزء من مشغل التصوير المقطعي)‪ .‬في‬
‫تمت نمذجته من عامل نمذجة غير خطي )‪ ،f (m‬و ‪ dobs‬هو متجه البيانات&‬ ‫التطبيق الواقعي‪ ،‬يكون نموذج الحقيقة األرضية غير متاح‪ ،‬ويتم تصميم مشغل‬
‫المسجل‪ .‬في حين أنه من الشائع تقليل مجموع& المربعات (الممثلة هنا بمربع‬ ‫التصوير المقطعي لتقليل الفرق بين نموذج السرعة المعاد بناؤه ونموذج& الحقيقة‬
‫معيار ‪ ،)L2‬يمكن استخدام دوال موضوعية أخرى‪ .‬الحظ أنه في حالة التصوير‬ ‫األرضية (غير المتاح)‪.‬‬
‫المقطعي لوقت السفر‪ ،‬تحتوي ناقالت البيانات على أوقات السفر‬ ‫في إطار التعلم اإلحصائي‪ ،‬يقوم مشغل التصوير المقطعي‬
‫التي يتم نمذجتها& من خالل حل المعادلة األيكونية‪ .‬يحور‪ ،‬يعدل‪ ،‬يغير (من‬ ‫يتم تعلمها باستخدام مجموعة من أمثلة التدريب ‪ ، X،VN‬حيث‬
‫الشيء) تغييرا شكليا ال يأتي على جوهره و ال ينال من ميزاته أو خواصه‬
‫الرئيسة‪ .‬تختلف عنها كلمة (‪ )change‬بما تدل عليه أحيانا من معنى التغيير&‬
‫‪i i‬‬
‫الجوهري الشامل‪.‬‬
‫‪i1‬‬

‫بشكل أصلي‪ ،‬في حالة انعكاس الشكل الموجي الكامل ( ‪ ،)FWI‬تحتوي البيانات‬ ‫تشير ‪ X i‬إلى اآلثار الزلزالية (أو سمات اآلثار الزلزالية) الناتجة عن نموذج‬
‫على اآلثار الزلزالية التي تمت نمذجتها& عبر الحل الرقمي لمعادلة الموجة‪.‬‬ ‫السرعة ‪ i‬الخامس ‪ .i‬على وجه التحديد‪ ،‬يتم التعرف على مشغل التصوير‬
‫كما يتضح من العالقة غير الخطية بين دم‬ ‫المقطعي من خالل حل مشكلة التحسين التالية‪:‬‬
‫و م‪ ،‬هذا االنقالب غير خطي‪ .‬باإلضافة إلى ذلك‪ ،‬منذ‬
‫تحتوي المسوحات الزلزالية االنعكاسية على بيانات& زلزالية سطحية‪،‬‬ ‫‪‬‬ ‫‪‬‬
‫ن‬ ‫حجة‬
‫‪1‬‬ ‫‪LV ، TX ، ،‬‬ ‫دقيقة‬
‫‪i,I‬‬ ‫)‪(2‬‬
‫‪‬‬
‫ال يحتوي على جميع المعلومات الالزمة لتحديد نموذج السرعة الذي يختلف‬ ‫‪Ni‬‬ ‫‪1‬‬ ‫!–_–‪,‬‬
‫بشكل تعسفي مع العمق وعلى طول‬ ‫المقاعدالمخصص‬
‫ة‬
‫االتجاهات األفقية (بيوندي‪ .)2006 ،‬وهذا يعني‪ ،‬بشكل عام‪ ،‬أن تقليل المعادلة‬ ‫حيث )‪ T(Xi، α‬هو مشغل التصوير المقطعي الذي تم تحديد معالمه بواسطة‬
‫استخدام نهج التعلم العميق للتصوير‬ ‫‪‬‬
‫المذكورةطأعاله هو مشكلة سيئة‪ .‬أثناءط ط‬ ‫متجه المعامالت ‪ ،α‬ومخرجاته هي نموذج السرعة المعاد بناؤه& ‪ . Vº‬تقيس‬
‫المقطعي‬ ‫وظيفة الفقد ‪ ?LV, V‬الفرق‬
‫‪‬‬
‫ال تعتمد على الحلول العددية للمعادالت األيكونية أو الموجية‪ ،‬ما زلنا بحاجة إلى‬ ‫بعد تدريب شبكتهم& باستخدام خرائط وقت السفر ونماذج السرعة االصطناعية كبيانات&‬
‫النظر في الالخطية وسوء طرح هذه المسألة العكسية‪.‬‬ ‫تدريب‪ ،‬تم استخدام الشبكة بعد ذلك لتقدير السرعات بشكل بياني لبيانات التقاطع التي تم‬
‫تطبيق& الشبكات العصبية لتقدير السرعة والتطبيقات& الجيوفيزيائية بشكل عام‬ ‫الحصول عليها في‬
‫ليس جديدًا (فان دير بان وجوتن‪ .)2000 ،‬تم اقتراح أول استخدام للشبكات‬
‫العصبية لتقدير السرعة من قبل روث وتارانتوال ( ‪ )1994‬حيث يتم استخدام‬
‫الشبكات العصبية لتقدير وظائف السرعة أحادية البعد من مجموعات اللقطات‪.‬‬
‫يستخدم ناث وآخرون‪ )1999( .‬الشبكات العصبية للتصوير المقطعي أثناء السفر‪.‬‬

‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬ ‫يناير ‪2018‬‬ ‫الطليعه‬ ‫‪2‬‬
 ‫بين نموذج& سرعة الحقيقة األرضية الخامس واإلصدار المعاد بناؤه‬ ‫‪i1‬‬

‫‪4‬‬
‫التي استخدمناها هي الخطأ التربيعي ‪LVi،‬‬ ‫الخامس‪ .‬دالة طالخسارة‬
‫يستخدم‪2‬بشكل متكرر في مشكلة االنحدار‬
‫ˆ‬ ‫‪ˆ،ViViVi‬والذي‬

‫تم تنزيله في‬

‫نهج التقليل المستخدم بشكل متكرر هو نزول التدرج‪ ،‬والذي يقوم بتحديث& متجه‬
‫ويؤدي إلى مشكلة التحسين التالية‪:‬‬ ‫المعامالت بشكل متكرر على النحو التالي‪:‬‬
‫‪1‬‬
‫‪2‬‬ ‫للوسيطة‬ ‫ل‬
‫(‬ ‫‪.‬‬ ‫‪NVTX‬‬
‫ط‬ ‫ط‪،‬‬ ‫الحد األدنى‬
‫‪UNTRANSLATED_CONTENT_START|||West‬‬ ‫ال‬ ‫‪t‬‬
‫|||‪Bengal,‬‬ ‫‪.‬‬
‫‪t1‬‬
‫‪‬‬
‫‪|||India. |||UNTRANSLATED_CONTENT_END‬على الرغم من أن‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫المشكلة التي نحاول حلها متشابهة‪ ،‬إال أن عملنا جديد من حيث أنه يستفيد& من‬
‫التطوير األخير ألبنية ‪ DNN‬األكثر تقد ًما ؛ عالوة على ذلك‪،‬‬

‫إلى‬
‫نستخدم جميع البيانات (وليس فقط أوقات السفر المحددة) لتدريب ‪ DNN‬لدينا‬

‫‪30/12/17‬‬
‫‪4‬‬
‫وإجراء التصوير المقطعي‪.‬‬ ‫الحظ أنه في حالة صورتين‪ ،‬يكون فقدان الخطأ التربيعي قائ ًما على البكسل‬

‫‪144.82.238.225‬‬
‫المركب ؛ أي أنه مجموع& جميع اختالفات البكسالت التربيعية‪.‬‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫‪/‬‬ ‫‪SEG‬‬
‫‪http://library.seg.org‬‬

‫‪3‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬ ‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬
 ‫حيث ‪ μ‬هو معدل تعلم إيجابي‪ LE ،‬هو الخسارة التجريبية‬
‫الطبقة‪ ،‬والتي يتبعها& عدد متفاوت& من الطبقات المخفية‪ ،‬وفي النهاية يتم حساب‬
‫خرج الشبكة في طبقة اإلخراج‪ .‬يتم تنشيط& مدخالت كل طبقة مخفية من خالل‬

‫تم تنزيله في‬

‫ر‪.‬‬
‫مخرجات الطبقة السابقة‪ .‬يتم تدريب هذه الشبكات بأمثلة وفقًا لنهج التعلم‬
‫‪1‬‬
‫)‪LLV, TX,, (5‬‬ ‫‪i,I‬‬ ‫‪E‬‬
‫‪i1‬‬ ‫الصحيح (التسمية) لمدخل معين‪ ،‬وتتطور‬ ‫‪N‬‬ ‫اإلحصائي الذي يُعرف فيه اإلخراج‬
‫معلمات الوزن في عقد الشبكة بسبب تصغير الخطأ بين التنبؤ والقيمة الحقيقية‪.‬‬
‫ويتم إعطاء تدرج ‪ ،LE‬فيما يتعلق بـ ‪ ،α‬بواسطة‬ ‫يؤدي هذا إلى أن تصبح الشبكة بشكل متزايد مؤشرً ا أفضل ألمثلة التدريب وفي‬
‫النهاية ألي مثال (بافتراض التدريب المناسب) لفئة من البيانات تشبه بطبيعتها‬
‫ر‪.‬‬ ‫‪LE 1 L‬‬ ‫بيانات التدريب‪.‬‬
‫‪||| , TXi, .‬‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫‪Vi‬‬
‫المقطعي المقترح على النحو التالي‪ ،‬على‬
‫‪i‬‬ ‫‪1‬‬
‫ال‬ ‫لذلك يتم وصف مشغل التصوير‬
‫|||‪UNTRANSLATED_CONTENT_START‬‬
‫افتراض ثالث طبقات مخفية على سبيل المثال‪:‬‬

‫إلى‬
‫|||)‪(6‬‬

‫‪30/12/17‬‬
‫‪UNTRANSLATED_CONTENT_EN‬‬
‫)‪(7‬‬ ‫‪T(X, α) = fout(f3(f2(f1(X, α1), α2), α3), αout),‬‬

‫‪144.82.238.225‬‬
‫‪|||D‬‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫حيث ‪ fout‬هي دالة طبقة اإلخراج‪ ،‬التي تم تحديدها بواسطة ‪ ،αout‬ووظائف الطبقة‬
‫تم تنفيذ مشغل التصوير المقطعي )‪ T(Xi، α‬باستخدام ‪ ،DNN‬كما هو مفصل في‬ ‫المخفية هي ‪ f1‬و ‪ f2‬و ‪ ،f3‬كل منها تم تحديدها بواسطة ‪ α1‬و ‪ α2‬و ‪ ،α3‬على‬
‫ما يلي‪.‬‬ ‫التوالي (يتكون المتجه ‪ α‬بواسطة ‪ α1‬و ‪ α2‬و ‪ α3‬و ‪ .)αout‬تم ضبط ‪DNN‬‬
‫الخاص بنا بشكل كبير& باستخدام التحسين الفائق‪ .‬كما أنه يتضمن التقنيات الحالية‬
‫‪DNNs‬‬ ‫مثل تطبيع الدفعة والتسرب‪ .‬يتم تنفيذه& في مكتبة ‪ Tensorflow‬مفتوحة المصدر‬
‫‪ DNNs‬هي خوارزميات قوية للتعلم اآللي (‪ LeCun et al.، 2015‬؛‬ ‫من ‪.Google‬‬
‫‪ )Goodfellow et al.، 2016‬التي توفر أحدث النتائج في العديد من مشاكل‬ ‫إن قدرتنا على تصميم شبكات عصبية فعالة محدودة بسبب القيود المفروضة‬
‫رؤية الكمبيوتر& ومعالجة الكالم والذكاء االصطناعي‪ .‬على وجه الخصوص‪،‬‬ ‫على موارد الحوسبة‪ .‬تعد الشبكات األكثر تعقيدًا أكثر تطلبًا للتدريب حسابيًا‪،‬‬
‫توفر ‪ DNNs‬نتائج ممتازة لمشاكل التصوير العكسية مثل إزالة الضوضاء‬ ‫ويمكن أن يكون إنشاء أمثلة تدريب دقيقة مكلفًا حسابيًا بسبب النمذجة المتقدمة‬
‫(برغر وآخرون‪ 2012 ،‬؛ شيه وآخرون‪ ،)2012 ،‬الدقة الفائقة (دونغ وآخرون‪،‬‬ ‫واسعة النطاق‪ .‬في نهاية المطاف‪ ،‬فإن تنبؤاتنا& جيدة فقط مثل تعقيد وصقل شبكتنا‬
‫‪ ،)2016‬االستشعار المضغوط (أدلر وآخرون‪ ،)2017 ،‬والتصوير المقطعي‬ ‫العصبية إلى جانب أهمية وجودة الميزات التي نختارها كمدخالت‪.‬‬
‫المحوسب باألشعة السينية (وانغ‪ 2016 ،‬؛ وورفل وآخرون‪ .)2016 ،‬باإلضافة‬
‫سير العمل‬
‫إلى ذلك‪ ،‬وفقًا لنظرية التقريب العالمية (هورنيك وآخرون‪ ،)1989 ،‬يمكن‬

‫‪SEG‬‬
‫نظرً ا ألننا افتقرنا إلى وفرة البيانات المصنفة‪ ،‬فقد خاطرنا بربط نتيجة‬
‫استخدام ‪ DNNs‬لتقريب أي وظيفة مستمرة عشوائية حتى دقة محددة‪ .‬لهذه‬
‫الشبكة العصبية بالعدد المحدود من األمثلة‪ ،‬مما يؤدي غالبًا إلى اإلفراط في‬
‫األسباب‪ ،‬هناك وعد كبير في استخدام هذا النهج لتقريب الوظائف المعقدة غير‬
‫مالءمة نموذج التعلم لبيانات التدريب‪ .‬أيضً ا‪ ،‬نظرً ا ألن التحكم في المعلمات‬
‫الخطية للغاية‪.‬‬
‫الرئيسية المعنية (توليد البيانات) أمر أساسي عند إثبات مفهوم جديد‪ ،‬فإننا نركز‬
‫تتكون ‪ DNNs‬من "طبقات" من العقد المرجحة كما هو موضح في الشكل‬
‫في هذا العمل على نتائج التركيب& ثنائي األبعاد فقط‪ ،‬حيث أنتج مولد النماذج لدينا‬
‫‪ .2‬يتم توصيل اإلدخال إلى الشبكة باإلدخال‬
‫نماذج كبيرة& بما يكفي للتدريب واالختبار‪ .‬لذلك‪ ،‬نقدم سيرين للعمل‪ ،‬أحدهما‬

‫الشكل التوضيحي رقم ‪.2‬طوبولوجيا ‪ DNN‬مع ثالث طبقات مخفية‪.‬‬

‫للتدريب واآلخر لالستدالل (يُعرف أيضً ا باسم االختبار)‪ ،‬كما هو موضح أدناه‪.‬‬
‫في سير عمل التدريب (الشكل ‪ ،)3‬تتمثل الخطوة األولى في توليد اآلالف‬
‫من نماذج السرعة غير المتحيزة& بشكل عشوائي زائف‬
‫‪/‬‬ ‫‪http://library.seg.org‬‬

‫سير عمل التدريب‪.‬‬

‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬ ‫يناير ‪2018‬‬ ‫الطليعه‬ ‫‪4‬‬
‫ومنهم‪ ،‬الملصقات التي تمثل التجربة — على سبيل المثال‪ ،‬النماذج ذات العيوب‬
‫أو األجسام المالحة‪ .‬في الخطوة الثانية‪ ،‬تنتج خطوة النمذجة البيانات الزلزالية‪ .‬من‬
‫أجل البساطة واإليجاز‪ ،‬فإن التقريب الصوتي فقط لمعادلة الموجة هو‬
‫‪ --‬تستخلص الخطوة الثالثة سمات من البيانات الزلزالية‪ .‬ليتم‬
‫يقلل من كمية البيانات& المستخدمة‬ ‫شقين‪ :‬فهو‬
‫الغرض من هذه الخطوة ذو ‪2‬‬
‫‪M N1‬‬
‫ك‪Ni‬‬ ‫‪qj, k‬‬
‫للتدريب‪ ،‬مما يخفف الضغط على موارد الحوسبة‪ ،‬ويساعد التدريب على التركيز‬
‫على جوانب معينة‬
‫ضمن البيانات ذات الصلة بالتجربة‪ .‬يساعد هذا أيضً ا في دقة وتقارب مهمة‬
‫التدريب‪ .‬بمجرد استخراج الميزات‪ ،‬تبدأ عملية التعلم العميق الفعلية‪ .‬سير عملنا‬
‫متغير تما ًم ا‪ ،‬من توليد السرعة إلى استخراج الميزة ؛ لذلك‪ ،‬فإن ثراء التجارب‬
‫شامل من حيث مجموعة متنوعة من نماذج السرعة‪ ،‬وهندسة االكتساب‪ ،‬وما إلى‬
‫ذلك‪.‬‬
‫سير عمل االستدالل (الشكل ‪ )4‬هو المكان الذي يتم فيه التنبؤ بالنماذج‬
‫الجديدة عند تعرضها لبيانات& غير مرئية أو جديدة‪ .‬في سياقنا الخاص الستخدام‬
‫البيانات& االصطناعية‪ ،‬تبدأ بنفس طريقة سير عمل التدريب‪ :‬يتم إنشاء النماذج‬
‫والبيانات‪ &،‬ثم يتم تقديم تلك البيانات — التي لم يتم استخدامها للتدريب — إلى‬
‫نموذج التنبؤ& الذي يعيد بناء نموذج& السرعة‪ .‬نظرً ا ألننا نولد بيانات االختبار‬
‫باتباع الخطوات المذكورة‪ ،‬فإن حسابات دقة النموذج واضحة‪.‬‬
‫عالية من معلمات الدخول الصفري والقيمة المنخفضة‪ .‬هذا صحيح بالنسبة للعديد‬
‫التماثل كميزة& للتعلم اآللي‬
‫يعد استخراج الميزات خطوة رئيسية في سير عملنا ألنه يمكن أن يحسن‬
‫بشكل كبير تدريب ‪ DNN‬من خالل تزويده بالبيانات األكثر صلة للتعلم‪ .‬منصة‬
‫التعلم اآللي الخاصة بنا‪ ،GeoDNN ،‬قادرة على التعامل مع بنيات وبيانات&‬
‫الشبكة المتنوعة‪ ،‬ولكن نظرً ا لرغبتنا في تعلم مشغل التصوير المقطعي للسرعة‬
‫من البيانات‪ ،‬فإننا نجري تحليل السرعة ونوفر لوحات شبه لمواقع نقطة الوسط‬
‫المشتركة المختلفة ( ‪ )CMP‬كميزة اإلدخال‪ .‬لحساب لوحة المظهر لنقطة‬
‫منتصف معينة‪ ،‬نقوم أوالً بتطبيق& تصحيح الخروج العادي (‪ )NMO‬على تجمع‬
‫‪ CMP‬باستخدام معادلة وقت السفر من الدرجة الثانية‪:‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪X2‬‬
‫‪.٨‬‬
‫نموذج السرعة‪ .‬يمكن أن تكون‬
‫‪0‬‬ ‫‪NMO‬‬ ‫‪2‬‬
‫‪NMO‬‬
‫الخرائط بين هذه المساحات‬ ‫الطرق البديلة‪ ،‬مثل االنعكاس‪ ،‬مكلفة للغاية ألن رسم‬
‫حيث ‪ tNMO‬هو وقت سفر ‪ NMO‬المحسوب‪ ،‬و‪ t0‬هو وقت سفر اإلزاحة‬
‫الصفرية‪ ،‬و‪ x‬هو اإلزاحة‪ ،‬و‪ VNMO‬هو سرعة ‪ .NMO‬من خالل اختيار كائن‬
‫غير حيواني تجريبي ‪ ،V‬يمكننا بعد ذلك إجراء تصحيح كائن غير حيواني على‬
‫التجمع مما يؤدي إلى صورة مصححة ك[ي‪ ،‬ك]‪ ،‬حيث ي و ك هما وقت كائن‬
‫غير حيواني مصحح ومؤشرات عينة اإلزاحة‪ ،‬على التوالي (بعد تدوين لوه‬
‫وهيل‪.)2012 ،‬‬
‫‪5‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬
‫ثم يتم حساب االنسجام عن طريق التراص على طول مؤشر اإلزاحة والتمهيد‬
‫على طول مؤشر الوقت ]‪ .q[j، k‬يمكن التعبير عن ذلك رياضيا ً‬
‫تم تنزيله في‬
‫‪N 1‬‬
‫‪qj, k‬‬
‫‪2‬‬
‫‪si‬‬ ‫‪)9‬‬
‫‪iMjiM‬‬
‫‪jiMk 0‬‬
‫حيث ]‪ s[i‬هي مظهر اإلخراج في عينة وقت اإلخراج ‪ ،i‬و ‪ N‬هي العدد اإلجمالي‬
‫لعينات اإلزاحة‪ ،‬و ‪ M‬هي معلمة تحدد طول نافذة تنعيم الوقت بطول ‪2M + 1‬‬
‫‪ .‬إعادة التوزيع تخضع لترخيص‬
‫متمركزة عند ‪ .i‬باإلضافة إلى ذلك‪ ،‬نقوم بحساب دوال الترجيح التي يتم تطبيقها‬
‫إلى‬
‫على لوحات المظاهر التي تؤكد على المصطلحات في حساب المظاهر األكثر‬
‫‪30/12/17‬‬
‫حساسية للتغيرات في السرعة (لوه وهيل‪ .)2012 ،‬بينما& في حساب المظهر الذي‬
‫‪144.82.238.225‬‬
‫نفترضه في الوقت الحالي فقط من الدرجة الثانية (أي معادلة ‪ NMO‬التقليدية)‪،‬‬
‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬
‫لدينا القدرة على استخدام مصطلحات أعلى ترتيبًا في معادلة وقت السفر‪ ،‬مما‬
‫يسمح بدقة أكبر عند اإلزاحة البعيدة (يلماز‪.)2001 ،‬‬
‫نظرً ا ألننا نوفر لوحات شبه لمواقع ‪ CMP‬متعددة‪ ،‬فإن ميزة اإلدخال هذه‬
‫تنتهي& بثالثة أبعاد‪ ،‬مما يجعل المكعب‪ .‬يوضح الشكالن ‪ 5‬و ‪ 6‬شيئين حول مساحة‬
‫الميزة هذه‪ .‬أوالً‪ ،‬بالنسبة للنموذج المحدد الذي يمثله مكعب المظهر‪ ،‬لدينا نسبة‬
‫من النماذج التي نؤدي عليها مكعبات شبهية‪ ،‬مما يعني أن هناك فرصة لتقسيم‬
‫مساحة المعلمة‪ .‬ثانيًا‪ ،‬األحداث في الفضاء المكعب& الظاهري لها أنماط تتعلق‬
‫بموضع العاكس وسرعته‪ .‬يمكن للبشر تفسير بعض هذه األنماط (مثل‬
‫طفرات‪/‬مجموعات الطاقة المتميزة‪ ،‬والتي تتوافق مع أحداث االنعكاس& الحادة‬
‫غير الملوثة)‪ .‬يمكن أن تعني األنماط األخرى المختلطة أو الملطخة عبر الفضاء‬
‫الظاهري عدم التفرد‪ ،‬وهو أمر يصعب استخالص نموذج تقريبي منه‪ .‬تتمثل&‬
‫ميزة استخدام التعلم اآللي في أننا قادرون على االستفادة من قدرة ‪ DNN‬على‬
‫‪SEG‬‬
‫التعلم من العديد من األمثلة الكتشاف األنماط المعقدة التي قد تكون مكلفة للغاية‬
‫ويصعب تعلمها واستخدامها‪ .‬باستخدام هذه األنماط‪ ،‬يمكننا أن نتعلم‬
‫فضاء ر‬
‫رسم الخرائط من فضاء المظهر إلى ر‬
‫‪V‬‬
‫يستخدم انتشار الموجات‬
‫نشوئها& (أو بعض التقريبات األخرى) كمشغل أمامي‪ .‬ستحاول طرق أخرى‬
‫خطية المشغل األمامي أو اتباع بعض المنهجية األكثر تبسيطًا‪ ،‬مثل اختيار‬
‫السرعات من سعة الذروة في مكعب& المظهر‪ .‬يجب تكرار كل هذه الطرق لكل‬
‫نموذج اهتمام‪ .‬باستخدام منهجية ‪ ،DNN‬نحتاج& إلى التدريب مرة واحدة فقط‪ ،‬بعد‬
‫‪/‬‬ ‫‪http://library.seg.org‬‬
‫سير عمل االستدالل (االختبار)‪.‬‬
‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬
 ‫أي تقريبات نموذجية الحقة يمكن العثور عليها من قطع األراضي المقابلة لها‬
‫بتكلفة ال تذكر‪.‬‬

‫تم تنزيله في‬

‫كما ذكرنا‪ ،‬فإن طبيعة استخدام المظاهر كمدخالت ميزة هي أن هناك أنماطًا‬
‫لها معنى فيما يتعلق بنموذج السرعة‪ ،‬بعضها تافه للشرح بينما البعض اآلخر‬
‫أكثر تعقيدًا‪ .‬تتعلم بنيات ‪ DNN‬بشكل أساسي األنماط في مساحة الميزة باستخدام‬
‫االستنسالت التي تكون أبعادها محددة مسبقًا‪ .‬نعتقد أن التحول القائم على‬
‫الجيوفيزياء الذي يمثله مكعب& المظهر يجعله خيارً ا جيدًا كميزة& إدخال للتعلم‬
‫العميق& لتقدير السرعة المقطعية‪ ،‬خاصة بالنسبة لبنى ‪ DNN‬التي يمكنها‬
‫االستفادة من األنماط الموجودة في هذا الفضاء‪.‬‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫إلى‬
‫التنفيذ والنتائج‬

‫‪30/12/17‬‬
‫لقد أنشأنا اآلالف من نماذج السرعة ثنائية األبعاد العشوائية مع ما يصل إلى‬

‫‪144.82.238.225‬‬
‫أربعة أخطاء فيها‪ ،‬وزاوية الميل‪ ،‬والموضع‪ .‬كانت نماذجنا تحتوي على ما بين‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫ثالث وثماني& طبقات لكل منها‪ ،‬مع سرعات تتراوح من ‪ 2000‬إلى ‪4000‬‬
‫[م‪/‬ث]‪ ،‬مع زيادة سرعة الطبقة مع العمق‪ .‬كانت هذه النماذج ‪ 180 × 140‬نقطة‬
‫شبكية عند أخذ العينات المستخدمة في حل معادلة الموجة‪ .‬تم تقليل البيانات&‬
‫األولية التي تم جمعها إلى مجموعة ميزات شبهية يمكن أن تتناسب& مع ذاكرة‬
‫‪ NVIDIA K80 GPGPU‬متعددة‪.‬‬

‫الشكل ‪ 5‬مكعب شبه محسوب يستخدم كميزة إدخال للتعلم العميق‪ .‬يُظهر الوجه‬
‫األمامي للمكعب& (مع محاور زمن اإلزاحة الصفري والسرعة) لوحة المظهر‬

‫‪SEG‬‬
‫لموقع ‪ CMP‬معين يستخدم في تحليل السرعة التقليدي‪ .‬يُظهر الوجه الجانبي‬
‫للمكعب& (مع محاور موقع ‪ CMP‬ووقت اإلزاحة الصفري) المظهر المحسوب‬
‫لسرعة معينة لجميع مواقع ووقت ‪ .CMP‬الحظ البنية المتماسكة مكانيًا للمظهر في‬
‫المكعب‪.‬‬

‫‪/‬‬ ‫‪http://library.seg.org‬‬

‫الشكل التوضيحي رقم ‪ .6‬مثال على مكعب& شبه محسوب لنموذج من سبع طبقات‪ .‬الحظ أن لوحة تحليل السرعة التقليدية لمكعب الشكل الموضح في (ب) تلتقط كل‬
‫واجهة من واجهات الطبقة‪ .‬الحظ أيضً ا أن اللوحة اليمنى (محاور موقع ‪ CMP‬ووقت اإلزاحة الصفري) لمكعب الشكل تعطي نوعيًا البنية التقريبية لنموذج السرعة‬
‫الموضح في (أ)‪.‬‬

‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬ ‫يناير ‪2018‬‬ ‫الطليعه‬ ‫‪6‬‬
‫قمنا بتدريب ‪ DNN‬المقترح باستخدام مجموعة تدريب تتكون من عشرات‬ ‫والبنية والتباين واإلضاءة‪ .‬بالنظر إلى صورتين‪ ،‬تحسب صيغة ‪ SSIM‬رق ًما‬
‫اآلالف من نماذج السرعة واختبرنا نتائج التصوير المقطعي مع مجموعة اختبار‬ ‫مستمرً ا بين ‪ 0.0‬و ‪ ،1.0‬حيث يتوافق ‪ 1.0‬مع الصور المتطابقة و ‪ 0.0‬يتوافق مع‬

‫تم تنزيله في‬

‫من اآلالف من نماذج السرعة‪.‬‬
‫نوع التجارب ‪ .I‬ناتج ‪ DNN‬هو مستمر‪-‬‬
‫الصورة ذات القيمة‪ ،‬في حين أن صور نموذج سرعة الحقيقة األرضية تتكون‬
‫من عدد منفصل من القيم‪ ،‬كل منها& يتوافق مع قيمة سرعة فريدة‪ .‬لذلك‪ ،‬قمنا‬
‫بتطبيق& مرحلة تجزئة صورة ما بعد المعالجة ( ‪ )Szeliski، 2010‬على كل‬
‫نموذج سرعة أعيد بناؤه باستخدام طريقتين‪- k )1 ( :‬يعني التجزئة‪ ،‬والذي‬
‫يستخدم عدد طبقات الحقيقة األرضية لتجميع جميع وحدات البكسل في العدد‬
‫الصور الكاملة غير المتشابهة بصريًا‪ .‬يعتبر& مقياس ‪ SSIM‬أكثر تماس ًكا للحكم‬
‫البشري من مقياس& متوسط& الخطأ التربيعي ( ‪ )MSE‬لمقارنات الصور‪ .‬متوسط‬
‫‪ SSIM‬على اآلالف من نماذج سرعة االختبار هو ‪ 0.8717‬لـ ‪ -k‬يعني مع العدد‬
‫الصحيح من المقاطع و ‪ 0.8603‬لـ ‪ -k‬يعني مع ثمانية مقاطع لجميع الصور‪ ،‬مما‬
‫يشير بوضوح إلى تشابه كبير& جدًا مع نماذج سرعة الحقيقة األرضية‪ .‬في الشكل‬
‫‪ ، 7‬نقدم أمثلة على نماذج السرعة المعاد بناؤها بأعداد متفاوتة من الطبقات‪ ،‬مما‬
‫يدل على الجودة البصرية العالية للصور المعاد بناؤها‪ .‬لقد الحظنا أن شبكة إعادة‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫الصحيح من المقاطع‪ ،‬و ( ‪- k )2‬يعني التجزئة مع ثمانية مقاطع (طبقات) لجميع‬ ‫اإلعمار تميل إلى معالجة األخطاء (الصف الثالث من الشكل ‪ .)7‬يتم ترك المزيد‬

‫إلى‬
‫نماذج السرعة‪( .‬في التطبيق الحقيقي‪ ،‬يكون عدد المقاطع غير معروف ولكن‬ ‫من التحسينات إلعادة بناء الخطأ بدقة للبحث المستقبلي‪.‬‬

‫‪30/12/17‬‬
‫يمكن التحكم فيه من قبل خبير المجال‪ ).‬تمت مقارنة الجودة البصرية لكل صورة‬ ‫التجارب من النوع الثاني‪ .‬في هذه المجموعة من التجارب‪ ،‬تكون الملصقات‬

‫‪144.82.238.225‬‬
‫مجزأة بنموذج& سرعة الحقيقة األرضية (أي تسمية مثال االختبار) باستخدام‬ ‫والنماذج المعاد بناؤها ذات قيمة مستمرة& (وليست عملية تصنيف ثنائية أو متعددة‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫مقياس صورة التشابه الهيكلي (‪ )SSIM‬الذي طوره وانغ وآخرون‪ .)2004( .‬يتم‬ ‫الطبقات) تمثل السرعة‪ .‬بعضها توقف عن‬
‫حساب مقياس& ‪ SSIM‬باستخدام ثالث ميزات للصورة تؤثر في الغالب على‬
‫النظام البصري البشري‪:‬‬

‫‪/‬‬ ‫‪SEG‬‬
‫‪http://library.seg.org‬‬

‫الشكل التوضيحي رقم ‪ .7‬التصوير المقطعي مع نماذج سرعة من أربع إلى سبع طبقات‪ .‬يمثل كل صف تجربة مختلفة مع عدد فريد من الطبقات‪ .‬العمود (أ) هو الحقيقة‬
‫األساسية ؛ العمود (ب) هو ناتج ‪( DNN‬التنبؤ)‪ ،‬العمود (ج) التنبؤ& المجزأ (من العمود ب) الصورة باستخدام ‪ k - means‬والعدد الصحيح للطبقات ؛ والعمود (د) هو‬
‫التنبؤ& المجزأ (من العمود ب) الصورة باستخدام ‪ k - means‬وثماني طبقات‪.‬‬

‫‪7‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬ ‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬
 ‫تم تنزيله في‬
‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫إلى‬
‫‪30/12/17‬‬
‫‪144.82.238.225‬‬
‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫‪/‬‬ ‫‪SEG‬‬
‫‪http://library.seg.org‬‬

‫الشكل التوضيحي رقم ‪ .8‬في اللوحة (أ) ‪ ،‬يتم تقديم نموذج متعدد الطبقات كحقيقة أرضية (تسمية)‪ .‬توضح اللوحة (ب) التنبؤ الذي تم إنشاؤه باستخدام النموذج المدرب‪.‬‬
‫كان هذا النموذج يتدرب على البيانات& التي تحتوي فقط على نماذج ذات طبقات مع عدد مختلف من الطبقات والسرعة لكل طبقة‪ .‬النموذج المتوقع يشبه إلى حد كبير‬
‫التسمية في الهيكل والسرعة الفعلية‪ .‬اللوحات (‪ )c - f‬هي نتائج لنموذج مدرب مختلف‪ .‬تم تدريب هذه المجموعة بمجموعة بيانات تحتوي أيضً ا على أجسام مالحة‪،‬‬
‫والتي تم صنعها يدويًا‪.‬‬

‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬ ‫يناير ‪2018‬‬ ‫الطليعه‬ ‫‪8‬‬
‫تتضمن الملصقات والنماذج أجسا ًما مالحة جنبًا إلى جنب مع ثالث إلى سبع‬
‫طبقات‪ .‬مقاييس& التقييم& هي درجة ‪( R2‬معامل التحديد) و ‪ SSIM‬كما هو موضح‬

‫تم تنزيله في‬

‫أعاله‪ .‬تقيس درجة ‪ R2‬التباين الكلي للنتائج التي يقدمها النموذج‪ .‬يتم تفسيره على‬
‫أنه صالح النموذج المناسب‪ .‬يمكن أن تكون القيم سالبة‪ ،‬والقيمة المثلى هي ‪.1‬‬
‫من حيث دقة التنبؤ‪ &،‬بالنسبة للتجارب التي تحتوي على طبقات فقط (الشكل‬
‫‪ 8‬أعلى)‪ ،‬تكون درجة ‪ R2‬هي ‪ 0.8124‬ودرجة ‪ SSIM‬هي ‪ ،0.8939‬وهي قابلة‬
‫للمقارنة مع النتائج التي تم الحصول عليها لمجموعة التجارب من النوع ‪.I‬‬
‫بالنسبة للتجارب مع وبدون األجسام المالحة (الشكل ‪ ،8‬منتصف وأسفل)‪ ،‬تكون‬
‫درجة ‪ R2‬هي ‪ 0.5536‬ودرجة ‪ SSIM‬هي ‪ .0.8101‬كما هو متوقع‪ ،‬فإن مهمة‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫التنبؤ بنموذج& مع األجسام المالحة أكثر صعوبة‪ ،‬وبالتالي فإن األداء أقل من مهمة‬

‫إلى‬
‫التنبؤ بنماذج& السرعة العادية‪ .‬أيضً ا‪ ،‬من الصعب معرفة تباين شكل الجسم الملحي‬

‫‪30/12/17‬‬
‫وموقعه مع حجم مجموعة بيانات& التدريب التي تم استخدامها‪ .‬هذا يفسر سبب‬

‫‪144.82.238.225‬‬
‫تأثر درجة ‪( R2‬الشكل ‪ )9‬أكثر من ‪ SSIM‬لهذه الحالة‪ .‬على أي حال‪ ،‬فإن اتجاه‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫األداء العام إيجابي ؛ توجد أجسام الملح بشكل صحيح ؛ ويشبه الهيكل المحيط‬
‫الملصقات في االتجاه وقيمة السرعة‪.‬‬
‫الشكل التوضيحي رقم ‪ .9‬تبلغ قيمة وظيفة فقدان التحقق (المنحنى األحمر‬
‫االستنتاجات&‬ ‫المتعلق بالمحور ص األيسر) عن فعالية عملية التدريب‪ .‬تمثل المنحنيات‬
‫يتمتع& المفهوم المقدم هنا بإمكانات& هائلة‪ .‬فقط من منظور الحوسبة‪ ،‬تم حساب‬ ‫الخضراء والزرقاء (المتعلقة بالمحور ‪ Y‬األيمن) تطور مقاييس& الدقة أثناء‬
‫التدريب مع األجسام المالحة‪ .‬يمثل المحور األفقي عهود التدريب‪.‬‬
‫النتائج في عقدة حوسبة واحدة‪ ،‬وليس في مجموعة‪ .‬عالوة على ذلك‪ ،‬فإن‬
‫المدخالت إلى نظام التعلم اآللي لها نوع واحد فقط من الميزات‪ ،‬وعدد عينات‬
‫‪Adler, A., D. Boublil, and M. Zibulevsky, 2017, Block - based‬‬
‫التدريب هو عشرات اآلالف‪ ،‬والتي بالكاد تقع في فئة البيانات الضخمة‪ .‬كل هذه‬
‫‪compressed sensing of images via deep learning: Presented at the‬‬
‫العناصر‪ ،‬عند توسيع نطاقها‪ ،‬يمكن أن تسهم في تحسين دقة وتعميم نماذج التنبؤ‪.‬‬ ‫‪19th IEEE International Workshop on Multimedia Signal Processing.‬‬
‫من حيث األداء‪ ،‬تظهر النتائج بوضوح أن معظم العناصر الرئيسية للنماذج‬ ‫‪ ،Araya - Polo، M.، T. Dahlke، C. Frogner، C. Zhang، T. Poggio‬و‬
‫المتوقعة يتم تحديدها ووضعها في موقعها المقابل‪ .‬النتائج مستقرة& وموثوقة‪ ،‬كما‬ ‫د‪ .‬هول‪ ،2017 ،‬الكشف اآللي عن األخطاء دون المعالجة الزلزالية‪ :‬الحافة‬
‫تفيد نتيجة البحث والتطوير‪ .2‬كما أنها دقيقة‪ ،‬حيث أن مقياس ‪ SSIM‬المحسوب‬ ‫‪https‬‬ ‫‪://‬‬ ‫‪doi. &&&&&&&،214–208 &&&&&&&،3‬‬ ‫رقم‬ ‫‪،36‬‬ ‫الرائدة‪،‬‬
‫لجميع التجارب أعلى من ‪( 0.8‬من ‪.)1.0‬‬ ‫‪.org/10.1190/tle36030208.1‬‬

‫سيتخذ العمل المستقبلي ثالثة اتجاهات رئيسية‪ .‬األول هو توسيع& الطريقة‬
‫لتشمل البيانات& ثالثية األبعاد‪ ،‬والتي من منظور التعلم اآللي هي في األساس‬
‫مشكلة قابلية التوسع وليست مشكلة أساسية‪ .‬يجب أن يتعامل خط العمل الثاني مع‬
‫اختبار طريقتنا& ببيانات حقيقية‪ .‬ولتحقيق هذه الغاية‪ ،‬فإن الجزء األكثر حساسية‬
‫هو خطوة استخراج الميزة‪ .‬أخيرً ا‪ ،‬يمكن دمج طريقتنا مع ‪ ،FWI‬حيث يمكن‬
‫لنماذجنا أن تلعب دور المسرع‪.‬‬
‫الشكر والتقدير‬
‫يشكر المؤلفون شركة شل الدولية لالستكشاف واإلنتاج& ومعهد‬
‫ماساتشوستس للتكنولوجيا على اإلذن بنشر هذه الورقة‪.‬‬
‫يمكن للشبكات العصبية العادية أن تتنافس مع ‪ BM3D‬؟‪ :‬مؤتمر& ‪ IEEE‬حول‬
‫المؤلف المراسل‪mauricio.araya@shell.com :‬‬
‫المراجع‬
‫أديسون‪ ،‬ف‪ ،2016 ،.‬الذكاء االصطناعي يتشكل في قطاع النفط والغاز‪:‬‬
‫‪EPmag، https: // www.epmag.com/artificial-intelligence- takes -‬‬
‫‪ ،shape - oil - gas - sector -846041‬تم الوصول إليه في ‪ 5‬ديسمبر‬
‫‪.2017‬‬
‫‪،307‬‬
‫‪SEG‬‬
‫بيوندي‪ ،‬ب‪ ،2006 ،.‬التصوير الزلزالي ثالثي األبعاد‪ :‬إس إي جي‪// :https ،‬‬
‫دوى‪.org/10.1190/1.9781560801689 .‬‬
‫‪ ،BizTech، 2014‬دور الحوسبة عالية األداء في استغالل الطاقة‪https: // ،‬‬
‫‪biztechmagazine.com/article/2014/07/ hpc ٪ E2 ٪80 - role -‬‬
‫‪ ،energy -%99s exploration‬تم الوصول إليه في ‪ 5‬ديسمبر ‪.2017‬‬
‫بوغر‪ ،‬ب‪ ،.‬وف‪ .‬هيرمان‪ ،2016 ،‬تصنيف ‪ AVA‬كمشكلة تعلم آلي غير مدركة‪:‬‬
‫السادس‬
‫والثمانون‪ ،SEG ،‬الملخصات الموسعة‪،‬‬ ‫االجتماع الدولي السنوي‬
‫‪.https :// doi. org/10.1190/segam2016-13874419.1 ،556–553‬‬
‫برغر‪ ،‬إتش سي‪ ،‬سي جي شولر‪ ،‬و إس هارميلينغ‪ ،2012 ،‬إزالة الصورة‪ :‬هل‬
‫( ‪،)CVPR‬‬ ‫األنماط‬ ‫على‬ ‫والتعرف‬ ‫الكمبيوتر&‬ ‫رؤية‬
‫‪.https://doi.org/10.1109/CVPR.2012.6247952‬‬
‫‪Dahlke، T.، M. Araya - Polo، C. Zhang، and C. Frogner، 2016، Pre‬‬
‫‪ - dicting‬السمات الجيولوجية في البيانات الزلزالية ثالثية األبعاد‪ :‬تم تقديمها&‬
‫في ورشة عمل التعلم العميق ثالثي األبعاد‪.‬‬
‫دونغ‪ ،‬سي سي لوي‪ ،‬كيه هي‪ ،‬و ‪ .X‬تانغ‪ ،2016 ،‬صورة فائقة الدقة باستخدام‬
‫الشبكات االلتفافية العميقة‪ :‬معامالت ‪ IEEE‬على تحليل األنماط والذكاء‬
‫‪-‬‬ ‫اآللي‪ ،38 ،‬رقم ‪295 &&&&&&&&&&&&&&&&&&&&&&&،2‬‬
‫‪/‬‬ ‫‪http://library.seg.org‬‬

‫‪.https://doi.org/10.1109/TPAMI.2015.2439281‬‬
‫‪Frogner, C., C. Zhang, H. Mobahi, M. Araya - Polo, and T. A. Pog -‬‬
‫‪gio, 2015, Learning with a Wasserstein loss, in C. Cortes, D. D.‬‬
‫الثامن‬
‫‪ ،.Lee, M. Sugiyama, and R. Garnett, eds‬وقائع المؤتمر الدولي‬
‫والعشرين‬
‫حول أنظمة معالجة المعلومات العصبية — المجلد ‪ :2‬مطبعة‬
‫معهد ماساتشوستس& للتكنولوجيا‪.‬‬
‫‪ ،Goodfellow، I.، Y. Bengio، and A. Courville، 2016‬التعلم العميق‪:‬‬
‫مطبعة معهد ماساتشوستس& للتكنولوجيا‪.‬‬
‫‪9‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬ ‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬
 ‫غيلن‪ ،‬ب‪ ،2015 ،.‬التعلم الخاضع لإلشراف للكشف عن جسم الملح‪:‬‬
‫الخامس‬
‫والثمانون‪SEG، 1826–1829، ،‬‬ ‫االجتماع& الدولي السنوي‬
‫‪.https://doi.org/10.1190/ segam2015-5931401.1‬‬

‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬ ‫يناير ‪2018‬‬ ‫الطليعه‬ ‫‪10‬‬
 ‫هيل‪ ،‬د‪ ،2013 ،.‬طرق لحساب صور األخطاء‪ ،‬واستخراج وجوه األخطاء‪،‬‬
‫سيليسكي‪ ،‬ر‪ ،2010 ،.‬رؤية الكمبيوتر‪ :‬الخوارزميات والتطبيقات‪ :‬علوم سبرينغر‬
‫وتقدير رميات األخطاء من الصور الزلزالية ثالثية األبعاد‪ :‬الجيوفيزياء‪ ،78 ،‬رقم‬
‫ووسائط األعمال‪.‬‬

‫تم تنزيله في‬

‫‪ .O33 - O43، https://doi.org/10.1190/geo2012-0331.1 ،2‬هيل‪ ،‬د‪،.‬‬
‫فان دير بان‪ ،‬م‪ ،.‬وسي جوتن‪ ،2000 ،‬الشبكات العصبية في التطبيقات&‬
‫‪ ،2012‬أسطح الصدع ورميات الصدع من الصور الزلزالية ثالثية األبعاد‪:‬‬
‫الجيوفيزيائية‪ :‬الجيوفيزياء‪ ،65 ،‬رقم ‪https :// doi. & ،1047-1032 & ،4‬‬
‫االجتماع الدولي السنوي الثاني والثمانون‪//: SEG، 1–6، https ،‬‬ ‫‪.org/10.1190/1.1444797‬‬
‫‪.doi.org/10.1190/segam2012-0734.1‬‬ ‫وانغ‪ ،‬زي‪ ،‬إيه سي بوفيك‪ ،‬إتش آر شيخ‪ ،‬وإي بي سيمونسيلي‪ ،2004 ،‬تقييم&‬
‫هاستي‪ ،‬ت‪ ،.‬ر‪ .‬تيبشيراني‪ ،‬وج‪ .‬فريدمان‪ ،2001 ،‬عناصر التعلم اإلحصائي‪:‬‬ ‫جودة الصورة‪ :‬من رؤية الخطأ إلى التشابه الهيكلي‪ :‬معامالت ‪ IEEE‬على‬
‫سبرينغر& نيويورك& إنك‪.‬‬ ‫‪،612‬‬ ‫‪-‬‬ ‫‪600 &&&&&&&&،4‬‬ ‫رقم‬ ‫‪،13‬‬ ‫الصور‪،‬‬ ‫معالجة‬
‫‪.https://doi.org/10.1109/TIP.2003.819861‬‬

‫‪ .‬إعادة التوزيع تخضع لترخيص‬

‫‪ ،Hornik، K.، M. Stinchcombe‬و ‪ ،H. White، 1989‬شبكات& التغذية متعددة‬
‫الطبقات هي مقاربات عالمية‪ :‬الشبكات العصبية‪ ،2 ،‬ال‪،366–359 &،5 .‬‬ ‫وانغ‪ ،‬ج‪ ،2016 ،.‬منظور حول التصوير العميق‪IEEE Access، 4، 8914– :‬‬

‫إلى‬
‫‪.https://doi.org/10.1016/0893-6080(89)90020-8‬‬ ‫‪.8924، https://doi.org/10.1109/ACCESS.2016.2624938‬‬

‫‪30/12/17‬‬
‫‪ ،LeCun، Y.، Y. Bengio‬و ‪ ،G. Hinton، 2015‬التعلم العميق‪ :‬الطبيعة‪،‬‬ ‫‪ ،Würfl، T.، FC Ghesu، V. Christlein، and A. Maier، 2016‬التصوير‬

‫‪144.82.238.225‬‬
‫‪ ،521‬رقم ‪.https://doi.org/10.1038/nature14539 &&،444–436 &&،7553‬‬ ‫المقطعي المحوسب للتعلم العميق‪ :‬حوسبة الصور الطبية والتدخل بمساعدة‬

‫أو حقوق الطبع والنشر ؛ انظر شروط االستخدام على‬

‫لو‪ ،‬س‪ ،.‬و د‪ .‬هيل‪ ،2012 ،‬تحليل السرعة باستخدام شبه مرجح‬ ‫الكمبيوتر‪https :// doi. org/10.1007/978-3-319-46726- &،440-432 ،‬‬
‫بالنس‪ :‬الجيوفيزياء‪ ،77 ،‬رقم ‪U15 - U22، https://doi.org/10.1190/ &،2‬‬ ‫‪.9_50‬‬
‫‪.geo2011-0034.1‬‬ ‫شيه‪ ،‬جيه‪ ،.‬إل‪ .‬شو‪ ،‬وإي‪ .‬تشن‪ ،2012 ،‬إزالة الضوضاء من الصورة والرسم مع‬
‫ناث‪ ،‬س‪ .‬ك‪ ،.‬س‪ .‬تشاكروبورتي‪ ،‬س‪ .‬ك‪ .‬سينغ‪ ،‬ون‪ .‬غانغولي‪ ،1999 ،‬انعكاس‬ ‫الخامس‬
‫والعشرين ألنظمة‬ ‫الشبكات العصبية العميقة‪ :‬وقائع المؤتمر الدولي‬
‫السرعة في التصوير المقطعي الزلزالي عبر الثقوب عن طريق الشبكة العصبية‬
‫معالجة المعلومات& العصبية — المجلد ‪.349–341 ،1‬‬
‫المضادة لالنتشار والخوارزمية الجينية وتقنيات البرمجة التطورية‪ :‬المجلة‬ ‫يلماز‪ ،‬أو‪ ،2001 ،.‬تحليل البيانات الزلزالية‪.SEG :‬‬
‫الجيوفيزيائية الدولية‪ ،138 ،‬رقم ‪،124-108 ،1‬‬ ‫تشانغ‪ ،C.، C. Frogner، M. Araya - Polo ،‬و ‪ ،D. Hohl، 2014‬اكتشاف‬
‫‪ .https://doi.org/10.1046/j.1365-246x.1999.00835.x‬روث‪ ،‬ج‪ ،.‬وأ‪.‬‬
‫تارانتوال‪ ،1994 ،‬الشبكات العصبية وانعكاس البيانات الزلزالية‪ :‬مجلة البحوث‬ ‫األخطاء اآللي القائم على التعلم اآللي في اآلثار الزلزالية‪ :‬المؤتمر والمعرض‬
‫الجيوفيزيائية‪ ،99 ،‬ال‪- B4, 6753 .‬‬ ‫السادس‬
‫والسبعون‪ ،EAGE ،‬الملخصات الموسعة‪https: // ،‬‬
‫‪.https://doi.org/10.1029/93JB01563 ،6768‬‬
‫‪.doi.org/10.3997/2214-4609.20141500‬‬

‫‪/‬‬ ‫‪SEG‬‬
‫‪http://library.seg.org‬‬

‫‪11‬‬ ‫الحافة الرائدة‬ ‫يناير ‪2018‬‬ ‫القسم الخاص‪ :‬التطورات في المعالجة الزلزالية ثالثية األبعاد‬