Автоматизация метода анализа и инверсии поверхностных волн путем применения нейронных сетей

Введение. Метод анализа и инверсии поверхностных волн (SWI) эффективен для построения скоростной модели верхней части геологического разреза (ВЧР), обладая высокой помехоустойчивостью и не требуя специализированной системы наблюдения. Однако ручное извлечение дисперсионных характеристик поверхностных волн, необходимость настройки обратных операторов делает SWI трудоемким и непрактичным при обработке больших объемов данных. Разработка алгоритмов извлечения дисперсионных кривых и их инверсии на основе методов глубокого машинного обучения позволяет автоматизировать SWI с существенным ускорением всех его этапов, решая проблему субъективности ручной обработки и высоких требований к вычислительным ресурсам.

Цель. Ускорение и автоматизация построения скоростной модели ВЧР в ходе обработки сейсморазведочных данных по методу SWI с использованием нейронных сетей глубокого обучения.

Материалы и методы. Для ускорения и автоматизации метода SWI применяется глубокое машинное обучение: сверточная модель типа автоэнкодер и полносвязанная нейронная сеть. Тестирование разработанных алгоритмов выполняется на синтетических данных сейсморазведки, рассчитанных методом матричного пропагатора. Для апробации метода SWI используются полевые данные наземной сейсморазведки.

Результаты. Разработанные архитектуры нейронных сетей обеспечивают высокую точность автоматического извлечения и инверсии дисперсионных кривых поверхностных волн. Средние абсолютные процентные ошибки составили 1 % для извлеченных кривых и 5 % для восстановленных скоростных моделей на тестовом наборе данных. Разработанные алгоритмы применены для автоматизированного построения модели ВЧР по реальным сейсморазведочным данным нефтегазового месторождения в Западной Сибири.

Заключение. Комплекс разработанных алгоритмов на основе обученных нейронных сетей представляет собой новую эффективную реализацию метода SWI. Он позволяет автоматизировать и значительно ускорить построение ВЧР путем обработки данных поверхностных волн.

1. Yablokov A.V., Serdyukov A.S., Loginov G.N., Baranov V.D. An artifi cial neural network approach for the inversion of surface wave dispersion curves // Geophysical Prospecting. 2021, vol. 69, no. 7, pp. 1405–1432.

2. Cheng F. et al. Watching the cryosphere thaw: Seismic monitoring of permafrost degradation using distributed acoustic sensing during a controlled heating experiment // Geophysical Research Letters. 2022, vol. 49, no. 10, pp. e2021GL097195.

3. Bai J., Yilmaz O. Model-based surface wave analysis and attenuation // 80th EAGE Conference and Exhibition 2018. — European Association of Geoscientists & Engineers. 2018, no. 1, pp. 1–5.

4. Askari R., Ferguson R.J., Isaac J.H., Hejazi, S.H. Estimation of S-wave static corrections using CMP cross-correlation of surface waves // Journal of Applied Geophysics. 2015, vol. 121, pp. 42–53.

5. Socco L.V., Boiero D. Improved Monte Carlo inversion of surface wave data // Geophysical Prospecting. 2008, vol. 56, no. 3, pp. 357–371.

6. Dal Moro G., Pipan M., Gabrielli P. Rayleigh wave dispersion curve inversion via genetic algorithms and marginal posterior probability density estimation // J. Appl. Geophys. 2007, vol. 61, no. 1, pp. 39–55.

7. Pei D., Louie J.N., Pullammanappallil S.K. Application of simulated annealing inversion on high-frequency fundamentalmode Rayleigh wave dispersion curves // Geophysics. 2007, vol. 72, no. 5, pp. R77–R85.

8. Cox B.R., Teague D.P. Layering ratios: a systematic approach to the inversion of surface wave data in the absence of a priori information // Geophysical Journal International. 2016, vol. 207, no. 1, pp. 422–438.

9. Song X., Tang L., Zhao S., Zhang X., Li L., Huang J., Cai W. Grey Wolf Optimizer for parameter estimation in surface waves // Soil Dynamics and Earthquake Engineering. 2015, vol. 75, pp. 147–157.

10. Aleardi M., Stucchi E. A hybrid residual neural network — Monte Carlo approach to invert surface wave dispersion data // Near Surface Geophysics. 2021, no. 4. pp. 397–414.

11. Yablokov A., Lugovtsova Y., Serdyukov A. Uncertainty quantifi cation of multimodal surface wave inversion using artifi cial neural networks // Geophysics. 2023, vol. 88, no. 2, pp. KS1–KS11.

12. Serdyukov A.S., Yablokov A.V., Duchkov A.A., Azarov A.A., Baranov V.D. Slant f-k transform of multichannel seismic surface wave data // Geophysics. 2019, vol. 84, no. 1, pp. A19–A24.

13. Lai C.G., Foti S., Rix G.J. Propagation of data uncertainty in surface wave inversion // Journal of Environmental & Engineering Geophysics. 2005, vol. 10, no. 2, pp. 219–228.

14. Камашев А.М., Дучков А.А. Применение машинного обучения для адаптивного вычитания кратных отраженных волн // Геофизические технологии. — 2023. — №. 1. — С. 54–65.