ОПРЕДЕЛЕНИЕ ПЕРВЫХ ВСТУПЛЕНИЙ НА ИСХОДНЫХ 2D СЕЙСМИЧЕСКИХ ДАННЫХ ПРИ ПОМОЩИ ПОЛНОСВЯЗНОЙ НЕЙРОННОЙ СЕТИ
DOI:
https://doi.org/10.25635/2313-1586.2025.02.096Ключевые слова:
Первые вступления, автоматическое пикирование, микросейсмы, сейсмический шум, нейронные сети, машинное обучение, 2D сейсмические данныеАннотация
В статье рассматривается вопрос автоматического определения моментов времени первых вступлений сейсмических волн на данных 2D сейсморазведки с применением специально построенной и обученной нейронной сети. Описываются в общих чертах существующие подходы к автоматическому пикированию первых вступлений с применением нейронных сетей и без них. Дается характеристика актуальности проведенного исследования, приводится краткая информация о подготовке исходных данных к дальнейшему их применению для обучения модели. Приведено описание разработанного алгоритма, применяющего машинное обучение и специально обученную нейронную сеть. В основе предлагаемого способа лежит расчет накопленной зарегистрированными сейсмическими сигналами энергии, анализируемой до момента прихода первых вступлений и после него. При этом принимается, что сам найденный момент первых вступлений разделяет сейсмический сигнал на две части: на шумовую компоненту, представленную микросейсмами, и на полезную часть сигнала.
Оценена точность полученных результатов, при этом в качестве достоверных эталонов, имеющих абсолютную точность, принимаются вручную определенные первые вступления. В качестве исходных данных применялись полевые сейсмические данные с месторождений Западной Сибири. Приводится проверка качества работы алгоритма, примененного к исходным данным с трех месторождений. Исходные полевые данные не подвергались предварительной обработке от шумов, чтобы построенная модель научилась правильно учитывать их наличие и качественно определять моменты времени первых вступлений. Исследование, описываемое в статье, посвящено только 2D сейсмической съемке, трехмерные сейсмические кубы в данной статье не рассматриваются.
Библиографические ссылки
Souza W.E., Cerqueira A.G., Porsani M.J., 2024. First-break prediction in 3-D land seismic data using the dynamic time warping algorithm. Geophysical Journal International, 237: pp. 402–418. DOI: 10.1093/gji/ggae048.
Yin Y., Han L., Zhang P., 2023. First-Break Picking of Large-Offset Seismic Data Based on CNNs with Weighted Data. Remote Sensing, 15(2), 356. DOI: 10.3390/rs15020356.
Trnkoczy A., 2012. Understanding and parameter setting of STA/LTA trigger algorithm. Potsdam, Germany: New Manual of Seismological Observatory Practice 2 (NMSOP-2). DOI: doi.org/0.2312/GFZ.NMSOP-2_IS_8.1.
Sharma B.K., Amod Kumar, Murthy V.M., 2010. Evaluation of Seismic Events Detection Algorithms. Geological Society of India, Vol.75, pp. 533-538. DOI: 10.1007/s12594-010-0042-8.
Vassallo M., Satriano C., Lomax F., 2012. Automatic Picker Developments and Optimization: A Strategy for Improving the Performances of Automatic Phase Pickers. Seismological Research Letters. DOI: 10.1785/gssrl.83.3.541.
Küperkoch L., Meier T., Diehl T., 2011. Automated Event and Phase Identification. Potsdam, Germany: New Manual of Seismological Observatory Practice 2 (NMSOP-2). DOI: 10.2312/GFZ.NMSOP-2_ch16.
Li X., Shang X., Wang Z., Dong L., Weng L., 2016. Identifying P-phase arrivals with noise: An improved kurtosis method based on DWT and STA/LTA. Journal of Applied Geophysics. DOI: 10.1016/j.jappgeo.2016.07.022.
Shen T., Tuo X., Li H., Liu Y., Rong W., 2018. A first arrival picking method of microseismic data based on single time window with window length independent. Springer Nature. DOI: 10.1007/s10950-018-9789-y.
Stampa J., Eckel F., Keers H., Lebedev S., Meier T., AlpArray and SWATH-D Working Groups, 2024. Automated measurement of teleseismic P -, SH - and SV-wave arri-val times using autoregressive prediction and the instantaneous phase of multicomponent waveforms. Geophysical Journal International. DOI: 10.1093/gji/ggae307.
Feng J., Lu Sh., 2019. Performance Analysis of Various Activation Functions in Artificial Neural Networks. Journal of Physics: Conf. Series 1237 (2019) 022030. DOI: 10.1088/1742-6596/1237/2/022030.
Приезжев И.И, Иванов П.Д., Гаврилов С.С., Мамаев Д.А., Калинин А.Ю., Стенина Ю.В., 2022. Автоматическая пикировка первых вступлений с использованием машинного обучения. Геофизика, № 1, С. 90-96. DOI: 10.34926/geo.2022.65.65.001.
Shen Yu-Ju, Wang Ming-Shi, 2005. Apply neural schemes to deformation objects. Taiwan: ICGST-GVIP Journal, Vol. 5, Issue 4.
Приезжев И.И., Мамаев Д.А., Стенина Ю.В., 2021. Использование элементов машинного обучения для автоматической пикировки первых вступлений. Геомодель 2021, 23-я конференция по вопросам геологоразведки и разработки месторождений нефти и газа. Москва: Издательство ООО «ЕАГЕ Геомодель», С.114.
Münchmeyer J., Woollam J., Rietbrock A., Tilmann F., Lange D., Bornstein T., Diehl T., Giunchi C., Haslinger F., Jozinovi´c D., Michelini A., Saul J., Soto H., 2021. Which picker fits my data? A quantitative evaluation of deep learning based seismic pickers. arXiv:2110.13671v1 [physics.geo-ph]. DOI: 10.48550/arXiv.2110.13671.
Johnson Sean W., Chambers Derrick J. A., Boltz Michael S., Koper Keith D., 2021. Application of a convolutional neural network for seismic phase picking of mining-induced seismicity. Geophysical Journal International, Volume 224, Issue 1. DOI: 10.1093/gji/ggaa449
St-Charles Pierre-Luc, Rousseau B., Ghosn J., Nantel Jean-Philippe, Bellefleur G., Schetselaar E., 2021. A Multi-Survey Dataset and Benchmark for First Break Picking in Hard Rock Seismic Exploration. Fourth Workshop on Machine Learning and the Physical Sciences (NeurIPS 2021).
Krakovská H., Kuehn C., Longo I.P., 2024. Resilience of Dynamical Systems. European Journal of Applied Mathematics, 35: 155–200. DOI: 10.1017/S0956792523000141.
Terven J., Cordova-Esparza Diana M., Ramirez-Pedraza A., Chavez-Urbiola Ed-gar A., Romero-Gonzalez Julio A., 2023. Loss Functions and Metrics in Deep Learning. arXiv:2307.02694. DOI: 10.48550/arXiv.2307.02694.
