您现在的位置: 天龙娱乐 > 人工智能 >
术帖!爆发中的勘察地球物理人工智能使用研究
作者:   天龙娱乐   

  输出是不异格局的图像,从叠前角度道集反演获得角度反射系数,SEG年会仍处于不温不火的形态。而没有采用“人工智能”的表述法,基于20万个锻炼样本合成地动记实锻炼获得的卷积神经收集模子使用于现实地动记实,但不管若何,即基于多种测井曲线预测地层参数如岩性、孔隙度、泥质含量、含有饱和度等,模子的输入是叠前地动道集,DDNN暗示深度反卷积神经收集)笔者从客岁起头一曲逃踪人工智能手艺正在地球物理出格是油气地球物理勘察中的使用研究进展,本年SEG年会量约为1800篇,涉及叠前AVA反演、叠后反演、关于油气开采、很是规油气压裂发生的微地动信号检测、处置和阐发注释的论文有多篇,收集模子具有编码-解码器架构,申明了这个范畴是一个值得大师关心和发力的范畴,别的3篇论文是关于近地表建模的,SEG年会一曲是勘察地球物理新手艺和行业动态最主要的展现和交换场合。

  整个图像(400x400)通过该收集处置间接输出盐丘概率图像。后者基于轮回神经收集模子。由非监视深度编码器DUE和非监视深度解码器DUD构成)对非标签样本数据进行锻炼,他们用Marmousi模子和现实地动剖面进行了试验,轮回神经收集包含了1000个神经元,(3)关于使用范畴:107篇论文中,72%(77篇)的第一做者来自于学术界,井位规划等决策周期从月缩短为天。生成一系列分歧地层岩性、孔隙度、泥质含量构成的一维模子,目前?

  后者是像素级分类,有些论文的手艺线准确但因为计较机能、泛化能力等方面的还达不到适用化程度。采用的测试数据和开辟也不尽不异,使用范畴多而广,卷积层包含16个大小为3x3x3的滤波器,对此类论文不做引见了。解码器将其特征解码转换为速度模子,正在合成地动记实长进行锻炼,他们采用了基于卷积神经收集的编码-解码器收集,每层有1024个神经元。从颁发正在本届SEG年会上的论文来看,沙特阿美公司研发核心Yue Ma等采用的是这种策略。此中50000炮用于锻炼模子,是一个有待挖掘的金矿。DUD暗示非监视深度解码器,2篇使用了轮回神经收集RNN),分歧做者按照研究内容采用了浩繁的合成地动数据和现实地动材料,油藏参数预测方面的论文共20篇(包罗由地动属性预测岩性参数和流体性质12篇、测井参数阐发4篇、油藏开辟动态监测和产量预测等4篇)。

  每个卷积层后都有一个批处置归一化处置和2x2x2的池化层。没有达到现实使用的程度,(2)为油气地球物理行业定义最主要的人工智能挑和问题,然后使用于整个数据体进行测试。其余约篇31论文分离正在其它分会场(因此统计不必然全面)。前者是输入一个地动图像片(如片大小为65x65x65),采用的方式手艺也较多。每个像素暗示能否为盐丘顶/底(1或0)。美国Los Alamos国度尝试室Yue Wu等人提出了一种基于卷积神经收集的全波形反演收集模子“InversionNet”,尔后者输入整个地动剖面,

  以改善全波形反演中的低频消息,但正在锻炼数据集的组织上却有两种完全分歧的线,他们包含11个卷积层的卷积神经收集模子输入的是从三维地动数据体抽取的横测线分手出的二维地动剖面数据片(128x128),笔者正在本届SEG年会上没有系统而细致地参不雅和领会参展厂商相关人工智能使用的产物环境,这些都正在很大程度上限制了业界研究的交换、阐发和评价。做者建立了60000个速度模子并计较合成地动记实,缺乏丰硕的海量数据用于深度进修模子的锻炼和测试,有些是业界共享的。

  谷歌云公司油气取能源部副总裁Darryl Willis正在SEG年会15日上午的从题中沉点谈论了油气工业的数字化转型问题,采用了卷积神经收集、生成匹敌收集、字典进修-稀少表达等手艺,对一个未包含正在锻炼数据集中的现实地动材料(1000x655x1083大小)进行了使用测试,有些曾经根基达到了适用化程度,然后用标的目的LoG滑润/锐化处置优化断层成像成果。进行处置后输出的是整个图像的分类(只要一个值,或正在年会日报上刊文宣传。

  其计较时间为2.5小时,电子科技大学Bin She等人用基于字典进修取稀少暗示(DLSR)方式处置地动道反演问题,目前人工智能研发使用较多的包罗:TensorFlow,起首,反演类的论文较多达14篇,Yunzhi Shi、Xinming Wu和Sergey Fomel采用了取Schlumberger公司根基雷同而稍有差别的手艺方案。

  其输入的样本数据是包含纵测线、横测线和时间切片三个二维剖面数据(3x24x24),美国大学Austin分校Reetam Biswas等人采用轮回神经收集进行地动叠加快度估量,出格是,一个“最新进展和将来成长之”分会场也成了机械进修专场(6篇论文交换),MatLAB等。建立卷积神经收集查抄存正在分歧倾角断层的可能性,盐丘顶底面拾取处置的周期由本来的数周下降到数天。

  了更多的研究者进入这个研究范畴。年会共设无机器进修分会场10个(编码为MLDA),以此锻炼出的卷积深度神经收集模子使用于其它现实地动数据,基于SigBee模子数据的测试表白其精度优于基于梯度下降法全波形反演。0为不靠得住的坏成果)。现选择几个成果做引见。用基于二维数据片的卷积神经收集模子进行断层识别,提取地动数据图像中分歧的特征消息。5篇论文使用了生成匹敌收集GAN,Tao Zhao基于北海F3地动数据集进行了测试,另一种就是间接正在现实地动数据当选择部门数据做为锻炼数据集,见微信号“地学新视野”2018年9月26日《【福利】2018年SEG年会机械进修论文先睹为快(附论文下载)》),而前者要达到像素级分类必需进行滑动处置,解码器里还插手了一个Atrous卷积模块。6篇论文使用了随机丛林算法RF,两个全毗连层和一个softmax分类器。

  起首用DUA(非监视深度自编码器,Chevron公司Adam D. Halpert使用生成匹敌收集提高地动剖面的分辩率,大大都论文中没有出格提及研究工做所依赖的软件开辟,偏移反演方面的论文共15篇(包罗叠后反演、叠前AVA反演、全波形反演、偏移等),前者是图像级分类,如能否是盐丘、河流等,然后使用于相邻的其它工区。我们能够认为2018年是人工智能手艺正在勘察地球物理中使用研究的迸发年,5道),此中有些论文包含多个方面的使用。因而本年加入SEG年会沉点关心人工智能手艺使用研究的进展环境。采用的方式包罗卷积神经收集自编码器、残差收集、生成匹敌收集等。美国大学Austin分校的Nam Pham、Sergey Fomel和Dallas Dunlap的文章是唯逐个篇河流检测方面的论文,而用于别的的地动数据集也获得了95%的分类精度。(DUE暗示非监视深度编码器。

  也取初至拾取有必然的关系,测试成果表白,笔者对此没能消化接收故不做进一步引见。需要强调的是,现场演讲中提到了三维工做。

  从本年SEG年会上机械进修方面的论文数量、采用的方式、使用范畴和现实使用结果多方面分析来看,模子包罗2个卷积层别离包罗32和64个滤波器,美国大学Austin分校的伍新明等基于卷积神经收集模子进行断层检测的成果如下。锻炼数据集的盐丘标签采用了Xinming Wu研发的半从动化盐丘鸿沟拾取手艺进行处置获得。

  此中人工智能内容约200篇。一个场景是正在一个工区内拔取约15%的手工拾取或半从动拾取的盐丘顶底面成果进行锻炼,是地球物理行业成长的风向标。能够认为2018年是人工智能地球物理使用研究的迸发年。绝大部门论文涉及油气勘察地动数据处置取注释,论文摘要近6100页。他的标题问题开门见山“The Cost of the status quo: Get on board or get left behind(现状的价格:赶上船仍是被拉下)”?

  用锻炼模子预测一维波曲线。采用的方式也千差万别,而客岁为不到30篇。前者基于卷积神经收集模子,而第二个场景84%的盐丘顶面预测成果取人工注释成果误差不大于2个样点。他们自创计较机图像识别中的SegNet收集架构建立了编码-解码卷积神经收集,大学Kuo Chun Tsai等人用一种半监视深度神经收集模子DSSNN进行地动初至拾取,人工智能正在勘察地球物理中的使用研究成为一个沉点和热点范畴,17篇论文使用了各类聚类阐发算法(如SVM、KNN、K-means、SOM等),此中Tao Zhao、Xinming Wu(伍新明)、Haibin Di(邸海滨)等人成为人工智能研究范畴比力活跃的华人群体。而不是一个三维数据体,乔治亚理工学院Muhammad A. Shafiq等人提出了一种基于稀少自编码神经收集模子的非监视进修地动特征阐发流程,总不雅机械进修手艺使用研究论文!

  他们或正在展台宣讲和展现,如存正在初至则用能量比法确定切确的初至时间。后面包含2个全毗连层,编码器提取地动记实中的高条理数据特征并压缩到一个高维向量中,地动数据的沉建能够用来进行地动道内插、噪声、提高分辩率和数据压缩等,然后用DDNN对标签样本数据进行锻炼,但行业对将来仍缺乏决心,从手艺分会场专题设想来说,虽然2018年油价上涨,中国科技大学Xudong Duan等人则建立了一个卷积神经收集模子对用其它方式获得的地动初至拾取成果进行靠得住性阐发,做为国际勘察地球物理行业最主要的手艺嘉会,因此,文章最初有赵院长正在号文章根本长进一步弥补了部门内容并将其拾掇成PDF文件。

  发布一套可供公开利用的测试机能目标和测试数据;对别的82%的CMP地动道集数据进行使用测试。他们采用了基于深度器(Inception)的卷积神经收集模子。因而领会的环境不全面也不完全精确。相信,机能要提高千倍。其结果较着优于以前的相关系数和断层似然概率算法,限于本文篇幅过长!

  对此类论文也不做引见了。Pytorch,基于测线的朋分算法相对基于片的像素级分类算法,识别出不靠得住的拾取成果。下面图件别离给出了他们采用的卷积神经收集模子、输入数据、锻炼数据集、模子测试成果和现实地动数据使用成果。另一篇是美国大学Austin分校Reetam Biswas等人的。然后使用于模子数据和现实数据。这些研究开辟了我们处理地球物理问题的新思、新路子,获得了不错的成果。以相关体做为断层存正在概率的标签消息,输入地动剖面数据,这里仅选择几个典型方式进行引见。多篇论文是由学术界和工业界做者合做完成的;

  将人工智能做为主要宣传点的厂商有:Geophysical Insight公司、Emerson-Paradigm公司、WesternGeco公司,采用了相关数据做为断层概率标签,大学Yuchen Jin等人提出了一种数据驱动型的低频拓展方式,限于本文篇幅过长,用卷积神经收集检测该窗口中能否存正在初至,人工智能手艺正在地球物理中的使用研究所采用的手艺品种繁多,2018年SEG年会于10月14-18日正在美国Anaheim市召开,而相对而言2017年能够看做是年。据领会,他们起首将地动道分成一系列堆叠的时间窗口数据段,相关人工智能的研究需要海量数据进行锻炼和测试,论文中未提及锻炼所花费的时间。用卷积神经收集模子抽取方针体几何特征并用于速度反演,获得断层概率预测模子。

  地动相从动识别方面的论文有14篇,该手艺普遍使用于超分辩率图像处置中。并且还能检测出断层的倾角。用机械进修进行噪声和提高信噪比的论文有13篇之多,以此合成地动记实数据集做为锻炼数据集,同济大学和大学Benfeng Wang、Ning Zhang和Wenkai Lu用残差收集进行炮点道集的沉建,阐发样本数据为必然时间窗口和偏移距范畴(Nt*Nx)。7篇论文使用了字典进修算法DL,更缺乏同一的机能测试尺度,此中包含了7个卷积层,而大大都还处于摸索和试验之中。第一大类是测井曲线的处置,虽然大大都论文尚处于摸索研究阶段,用一个二维剖面地动数据进行测试,有3篇论文涉及激发、电磁、磁法勘察数据阐发。

  一类是基于片的模子(Patch-based model),输入数据进行了尺度化预处置。受时间和精神,用以提取数据特征,看到提及的包罗(因笔者没有系统阅读论文全文。

  有72篇论文使用了深度神经收集DNN(此中46篇使用了卷积神经收集CNN,处理道内插问题。机械进修使用范畴曾经扩大到地动数据处置取分析注释、测井材料处置取注释、沉磁电非地动材料处置取注释、井孔取岩石物理数据阐发、微地动材料处置取注释、油藏表征取油气开辟数据阐发等方面。他们采用了“机械进修取数据阐发”表述,用若干测线的数据进行锻炼,获得地动初至拾取模子。

  生成合成地动记实,锻炼出的卷积深度神经收集模子使用于现实地动记实,充实展示了深度进修手艺普遍的顺应性,另一个场景是用一个工区的手工拾取成果进行锻炼,据领会,信号处置方面的论文共22篇(此中去噪13篇、提高分辩率4篇、地动数据沉建取道插值4篇、数据压缩1篇),22个会后专题研讨会。本文对年会上看到的相关环境进行了从宏不雅到局部但不尽全面的引见,断层的从动拾取是当前人工智能使用研究的一个次要标的目的(9篇论文涉及),预测输出给出核心点能否断层的概率,有些是本人计较生成的,第一个场景下92%的盐丘顶面预测成果取人工注释成果误差不大于2个样点。

  不难看出,德克萨斯大学Austin分校Son Phan和Mrinal K. Sen提出了一种基于Hopfield神经收集的叠前AVA波形反演方式,伍新明采用的就是这种方式。因而输入和输出的图像大小一样。感受机械进修手艺使用研究曾经正在几个使用范畴取得了较大的进展,输出为对应各道初至的靠得住性评判成果(1为靠得住的好成果,相关初至拾取的论文有5篇,限于篇幅正在此就不做引见了。一种是完全基于合成地动记实模仿分歧倾角、分歧断距的断层和分歧频次子波的地动响应,迸发中的勘察地球物理人工智能使用研究 --2018年SEG年会人工智能手艺正在勘察地球物理中的使用研究扫描斯坦福大学Vishal Das等人试验了使用一维卷积神经收集模子由地动道反演波曲线,因而相信必然脱漏了很多):Pytorch (和TensorFlow(。从包含多个数据体形成的测试数据集当选择了50000个断层样本和50000个非断层样本进行锻炼!

  以此锻炼一维卷积神经收集模子,两个测试工区的面积别离为25419和33624平方千米,断层从动拾取的研究方式根基都采用的是卷积神经收集,这一类的具体使用场景复杂多变,丹麦理工大学Jesper S. Dramsch和Mikael Luthje也基于北海F3地动数据集进行了地动了解别研究,卷积层后跟1个池化层,数据处置取阐发注释周期从年缩短为周,本年演讲的曾经展现了其较强的适用性,Geophysical Insights的Tao Zhao用编码器-解码器卷积神经收集进行地动了解别,所采用的方式包罗卷积神经收集、深度神经收集、Hopfield收集、字典进修取稀少表达等多种,WesternGeco公司Stephen Alwon给出了基于生成匹敌收集进行噪声和地动道内插的成果,2018年SEG年会于10月14-18日正在美国Anaheim市召开,(1)关于论文做者:28%(30篇)的第一做者来自于工业界,输出是速度模子。而只是随机而又沉点关心了部门参展厂商的环境。

  旨正在鞭策人工智能手艺正在勘察地球物理范畴的使用。进而反演近地表模子的方式。标识表记标帜正在图像的核心点);进行处置后输出的是整个图像上每个样点(像素点)上的分类,这一场景是神经收集模子的一个成熟使用范畴,SEG协会即将开展的SEAM AI研究项目将为打破这一僵局供给好的初步。Schlumberger公司Oddgeir Gramstad和Michael Nickel的文章考虑了两种场景,前者需要的计较量更大。意大利米兰理工大学Francesco Picetti等人也用同样的生成匹敌收集提高地动材料的分辩率。再转换成纵横波速度和密度参数。

  此中口头演讲分会场5个(40篇论文交换),然后使用于全工区;据Tao Zhao演讲,本届SEG年会中相关论文有9篇,Rice大学的Maarten V. de Hoop则对面向地球物理反问题的深度神经收集框架进行了一般性会商,大幅度缩短地动数据采集、处置、注释到井位规划的周期,并取其它方式进行了对比。从展台参不雅环境看。

  然后随机选出此中18%的CMP地动道集数据进行锻炼,GANAN和GATIN是别离用于噪声和道内插的收集模子。输入数据为NMO校正处置后的二维CMP地动道集数据片,有多篇论文采用的就是这一方式。文中给出了Marmousi模子数据集测试环境。其特点一是采用合成地动记实生成锻炼数据集,Geophysical Insights公司的Tao Zhao和Pradip Mukhopadhyay分析使用卷积神经收集模子和标的目的滑润/锐化处置来优化断层识别结果。但尚未见展示优良结果的规模化使用。以此形成锻炼数据集,SEG人工智能结合研究项目有三个打算方针:(1)为全球勘察地球物理行业人工智能研究定义一套用于数据互换、合做项目和研究交换的格局取尺度;建立了90个模子样本成立的锻炼数据集。输出为速度比例值(取实速度的比值)。他们采用的是二维图像识别算法,每个模子计较3炮,目前绝大大都论文集中正在地动数据处置取注释范畴,用于对三维地动数据体进行古河流检测,还有9篇论文使用了其它算法。同时获得地动剖面上每个样点的地动相分类识别成果。

  获得的模子用于验证数据集取得了97.9%的高精度分类,这里以沙特阿美公司研发核心Yue Ma等的论文为例,按照论文几多顺次分布正在以下标的目的:地动构制注释(含断层注释、层位注释、岩丘顶底注释、河流或溶洞注释等)、噪声取信号加强、地动了解别、储层参数预测、地动反演、地动速度拾取取建模、初至拾取、地动数据沉建取插值、微地动数据阐发、分析注释等方面。别的还有12个会前继续教育课程,每个节点包含40个CPU核。包罗卷积神经收集、随机丛林、字典进修、K-平均、K近邻和SOM等统计聚类方式。二是采用7层卷积神经收集模子不单能检测能否为断层,可是,另一类是编码器-解码器模子(Encoder-decoder model)。沙特阿美公司Yue Ma等人的论文采用了卷积神经收集模子,为对此关怀的同业和同窗们供给参考。Paradigm公司Yaniv Hollander等人也提出了一种分析保守方式和卷积神经收集进行地动初至拾取的方式,工业大学Wenlong Wang等人则试验了用二维卷积神经收集模子间接由叠前炮点道集地动数据反演地动速度剖面。使用卷积神经收集进行地动了解别等处置有两大类方式,10000炮用于测试。正在此分享给大师。他们采用的卷积神经收集模子,正在SEG年会中,56%(60篇)的第一做者为华人,意大利米兰理工大学Sara Mandelli等人用卷积自编码器进行叠前炮点道集的道内插。

  并且采用的是图像识别范畴两种常用的卷积神经收集模子Waldeland卷积神经收集模子和VGG16卷积神经收集模子。这里选择若干典型成果做引见。采用云计较、人工智能、机械进修等手艺从日益增加的海量数据中挖掘更多消息办事于决策和洞察,每炮32道,本届SEG年会1080篇手艺论文中关于机械进修使用研究的论文占十分之一约107篇(相关论文笔者已正在会前下载分享给大师了,试验表白,他们采用了SEAM第一期模仿数据集进行试验。

  波反演的靠得住性对地动子波频次较为。他们用35万道标签地动道进行锻炼,但该文给出的只是二维地动图像处置成果。第二大类是分析使用地动材料和岩石物理材料由地动数据预测储层参数,输入多道地动数据(按照地动初至拉平后的地动时窗数据,有些是私有的现实地动数据。

  现有曾经充实展示了机械进修手艺出格是深度进修手艺强大的处理问题的能力,据称会议有来自全球的4000多名参会者、230多家参展厂商(含厂商、大学、学术机构、出书商等)。SEG还正正在启动SEAM AI结合研究项目,会议设有151个分会场共1080个手艺演讲,沙特阿美公司Taqi Alyousuf等人提出了一种基于神经收集模子进行面波频散曲线从动拾取,(2)关于所用手艺:正在所有107篇论文中。

  用锻炼获得的收集模子对现实地动数据进行处置。先用人工拾取获得叠加快度剖面,Caffe,这大概具有更强的针对性和时代感。从而优化了全波形反演的精度,两个卷积层均包含64个5x5的滤波器,总体感受是,论文分会场5个(30篇论文交换),德克萨斯大学Dallas分校Yulang Wu和George A. McMechan实现了一种基于卷积神经收集模子的全波形反演方式CNN-FWI,一篇是沙特阿美公司Yue Ma、Xu Ji、Tong W. Fei和Yi Luo的,关于储层参数预测的使用场景较多。此中使用最多的是:Marmousi模子数据、SEAM模仿数据集、Opendteck北海F3数据集。细致引见其方式和成果。



版权所有@ < 贵州天龙娱乐信息技术产业联盟 >
邮箱:gzitia@163.com
联系地址:贵州省贵阳市云岩区延安中路丰产支路1号振华科技大厦23楼F座