Реконструкция карт глубин границ стратиграфических горизонтов с помощью генеративно-состязательных сетей

Цель. Показать подход по переносу знаний о структурных формах стратиграфических горизонтов с хорошо изученных территорий на малоизученные с помощью генеративно-состязательных сетей.

Материалы и методы. В работе использованы два алгоритма на основе архитектуры генеративно­состязательных нейронных сетей. Первый алгоритм StyleGAN2-ADA накапливает в скрытом пространстве нейросети семантические образы геологических форм сначала рельефа горной местности, а затем, с помощью трансферного обучения, — формы структур стратиграфических горизонтов. Второй алгоритм, кодер Pixel2Style2Pixel, используя семантический уровень обобщения первого алгоритма, учится реконструировать исходные изображения высокого разрешения из их дискретных копий (технология суперразрешения).

Результаты. Обучены модели для реконструкции, с их помощью из карт по данным 2D-сейсмики получены детализированные реконструкции глубин, сравнимые с качеством карт по 3D-сейсмике. Для двух участков проведена оценка качества реконструкции. Предложено создание вероятностного пространства глубин изучаемой территории, где каждая точка представлена плотностью вероятностного распределения глубин равноправдоподобных реконструированных геологических форм структурных построений изучаемой территории.

Заключение. Предложенный подход позволяет создать вероятностное представление о возможных формах границ стратиграфических горизонтов на основе знаний об уже изученной территории. Корректность реконструкции зависит от репрезентативности данных в высоком разрешении для обучения моделей и от исходных структурных карт для реконструкции — насколько точно они отражают динамику изменения абсолютных отметок изучаемого горизонта.

1. Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative adversarial nets. NIPS, 2014, vol. 27.

2. Karras T., Laine S., Aittala M., Hellsten J., Lehtinen J., Aila T. Analyzing and improving the image quality of stylegan. arXiv:1912.04958, 2020.

3. Karras T., Aittala M., Hellsten J., Laine S., Lehtinen J., Aila T. Training Generative Adversarial Networks with Limited Data. arXiv:2006.06676, 2020.

4. Heusel M., Ramsauer H., Unterthiner T., Nessler B., Hochreiter S. GANs Trained by a Two Time-Scale Update Rule Converge to a Local Nash Equilibrium. arXiv:1706.08500, 2017.

5. Richardson E., Alaluf Y., Patashnik O., Nitzan Y., Azar Y., Shapiro S., Cohen-Or D. Encoding in Style: a StyleGAN Encoder for Image-to-Image Translation. arXiv:2008.00951, 2020.

6. Tov O., Alaluf Y., Nitzan Y., Patashnik O., Cohen-Or D. Designing an Encoder for StyleGAN Image Manipulation. arXiv:2102.02766, 2021.