Professional Documents
Culture Documents
Araya Polo2018 PDF
Araya Polo2018 PDF
Araya Polo2018 PDF
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
SEG
جديدة من أجهزة االستشعار وأنظمة االستحواذ الحديثة .تعتمد بعض الخطوات تنتمي إلى أشكال رئيسية مختلفة ،مثل غير تقليدية أو ما قبل الملح أو ما تحت
الرئيسية في سير عمل االستكشاف على خبراء المجال .وقتهم ثمين ومحدود ،لكن الملح .تتعلق المخاوف الرئيسية بخطأ التعميم ،الذي يضع بشكل أساسي حدودًا
كمية البيانات التي تحتاج إلى تحليل شامل آخذة في االزدياد .باإلضافة إلى ذلك، لمدى قدرة نموذج التنبؤ على التنبؤ& بدقة بالبيانات غير المرئية .أخيرً ا ،فيما يتعلق
يتطلب تعقيد بعض مناطق& االستكشاف مزيدًا من االهتمام .يمكن تلخيص المشكلة بتدفقات أعمال االستكشاف ،يمكن للمرء أن يتخيل استخدام هذه التقنية بعد
على أنها انفجار للبيانات المتزايدة التعقيد. الحصول على البيانات مباشرة .بعد ذلك ،يمكن تحميل النماذج المدربة إلى
يحتاج علماء الجيولوجيا إلى التمكين بأدوات جديدة تستوعب& أكبر قدر ممكن السحابة التي يمكن للمترجمين الفوريين من خاللها سحب اإلنجازات ،وبالتالي
من البيانات قبل أن يتدخل خبير بشري .تشترك ثورة الحوسبة عالية األداء ( تشكيل اختبار السيناريو عبر اإلنترنت عند إرجاع تعديالت& نماذجهم على
)BizTech، 2014في نفس الغرض ولكنها تستهدف بشكل أساسي سرعة التطبيقات مثل تلك المقترحة في أرايا بولو وآخرون .)2017 ( .يعتمد سير العمل
المعالجة بدالً من أي خطوة محددة أخرى في سير عمل االستكشاف .تتطلع المتخيل هذا بشكل كامل على التعلم اآللي ،وهو مرن ،ومع خبراء المجال في
الخوارزميات المتقدمة الموجهة نحو البيانات إلى تحسين كل خطوة من خطوات مركز عملية صنع القرار الحاسمة .إذا كان مصحوبًا بالموارد المناسبة ،فإن سير
تدفق العمل من خالل فهم أعمق للبيانات ،من استخراج المعلومات ذات الصلة العمل هذا يقترب من تجربة في كل مكان في الوقت الفعلي.
إلى الحصول على وعي أفضل ببقية الخطوات بطريقة أكثر تكامالً& بدالً من في هذه الورقة ،نبدأ بشرح أساسيات المشكلة متبوعة بمناقشات& حول التعلم
صوامع المعرفة. العميق .بعد ذلك ،نقدم سير العمل العام الذي يستخدمه نظام التعلم اآللي لدينا،
ما نقترحه في هذا العمل يتجاوز ما أصبح المعيار الجديد ،وهو تقنيات& التعلم 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.
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
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.
/ 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
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
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
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
القسم الخاص :التطورات في المعالجة الزلزالية ثالثية األبعاد يناير 2018 الطليعه 4
ومنهم ،الملصقات التي تمثل التجربة — على سبيل المثال ،النماذج ذات العيوب ثم يتم حساب االنسجام عن طريق التراص على طول مؤشر اإلزاحة والتمهيد
أو األجسام المالحة .في الخطوة الثانية ،تنتج خطوة النمذجة البيانات الزلزالية .من على طول مؤشر الوقت ] .q[j، kيمكن التعبير عن ذلك رياضيا ً
إلى
شامل من حيث مجموعة متنوعة من نماذج السرعة ،وهندسة االكتساب ،وما إلى على لوحات المظاهر التي تؤكد على المصطلحات في حساب المظاهر األكثر
30/12/17
ذلك. حساسية للتغيرات في السرعة (لوه وهيل .)2012 ،بينما& في حساب المظهر الذي
144.82.238.225
سير عمل االستدالل (الشكل )4هو المكان الذي يتم فيه التنبؤ بالنماذج نفترضه في الوقت الحالي فقط من الدرجة الثانية (أي معادلة NMOالتقليدية)،
SEG
منتصف معينة ،نقوم أوالً بتطبيق& تصحيح الخروج العادي ( )NMOعلى تجمع التعلم من العديد من األمثلة الكتشاف األنماط المعقدة التي قد تكون مكلفة للغاية
CMPباستخدام معادلة وقت السفر من الدرجة الثانية: ويصعب تعلمها واستخدامها .باستخدام هذه األنماط ،يمكننا أن نتعلم
/ http://library.seg.org
5 الحافة الرائدة يناير 2018 القسم الخاص :التطورات في المعالجة الزلزالية ثالثية األبعاد
أي تقريبات نموذجية الحقة يمكن العثور عليها من قطع األراضي المقابلة لها
بتكلفة ال تذكر.
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
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
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
/ 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
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
SEG
سيتخذ العمل المستقبلي ثالثة اتجاهات رئيسية .األول هو توسيع& الطريقة بيوندي ،ب ،2006 ،.التصوير الزلزالي ثالثي األبعاد :إس إي جي// :https ،
لتشمل البيانات& ثالثية األبعاد ،والتي من منظور التعلم اآللي هي في األساس دوى.org/10.1190/1.9781560801689 .
مشكلة قابلية التوسع وليست مشكلة أساسية .يجب أن يتعامل خط العمل الثاني مع ،BizTech، 2014دور الحوسبة عالية األداء في استغالل الطاقةhttps: // ،
اختبار طريقتنا& ببيانات حقيقية .ولتحقيق هذه الغاية ،فإن الجزء األكثر حساسية biztechmagazine.com/article/2014/07/ hpc ٪ E2 ٪80 - role -
هو خطوة استخراج الميزة .أخيرً ا ،يمكن دمج طريقتنا مع ،FWIحيث يمكن ،energy -%99s explorationتم الوصول إليه في 5ديسمبر .2017
لنماذجنا أن تلعب دور المسرع. بوغر ،ب ،.وف .هيرمان ،2016 ،تصنيف AVAكمشكلة تعلم آلي غير مدركة:
السادس
الشكر والتقدير والثمانون ،SEG ،الملخصات الموسعة، االجتماع الدولي السنوي
يشكر المؤلفون شركة شل الدولية لالستكشاف واإلنتاج& ومعهد .https :// doi. org/10.1190/segam2016-13874419.1 ،556–553
ماساتشوستس للتكنولوجيا على اإلذن بنشر هذه الورقة. برغر ،إتش سي ،سي جي شولر ،و إس هارميلينغ ،2012 ،إزالة الصورة :هل
يمكن للشبكات العصبية العادية أن تتنافس مع BM3D؟ :مؤتمر& IEEEحول
المؤلف المراسلmauricio.araya@shell.com : ( ،)CVPR األنماط على والتعرف الكمبيوتر& رؤية
.https://doi.org/10.1109/CVPR.2012.6247952
المراجع Dahlke، T.، M. Araya - Polo، C. Zhang، and C. Frogner، 2016، Pre
أديسون ،ف ،2016 ،.الذكاء االصطناعي يتشكل في قطاع النفط والغاز: - dictingالسمات الجيولوجية في البيانات الزلزالية ثالثية األبعاد :تم تقديمها&
EPmag، https: // www.epmag.com/artificial-intelligence- takes - في ورشة عمل التعلم العميق ثالثي األبعاد.
،shape - oil - gas - sector -846041تم الوصول إليه في 5ديسمبر دونغ ،سي سي لوي ،كيه هي ،و .Xتانغ ،2016 ،صورة فائقة الدقة باستخدام
.2017 الشبكات االلتفافية العميقة :معامالت IEEEعلى تحليل األنماط والذكاء
،307 - 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.
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
/ SEG
http://library.seg.org
11 الحافة الرائدة يناير 2018 القسم الخاص :التطورات في المعالجة الزلزالية ثالثية األبعاد