Применение генеративносостязательных нейронных сетей на основе трансформеров в качестве алгоритма для сейсмической амплитудной инверсии

Введение. Сейсмическая амплитудная инверсия позволяет переходить от стандартных сейсмических кубов и разрезов к физически значимым параметрам, таким как акустический импеданс (АИ), плотность и т.д., для проведения количественной интерпретации. Однако задача инверсии является некорректно поставленной из-за многовариантности и неустойчивости решений, а также ограниченности частотного диапазона сейсмических данных, что обычно требует использования итеративной оптимизации.

Целью данной работы является разработка и апробация метода сейсмической амплитудной инверсии в акустическом варианте с применением генеративно-состязательных нейронных сетей (GAN) без необходимости построения низкочастотной модели и извлечения импульса из скважинных данных. Данный метод направлен на минимизацию степени свободы алгоритма инверсии, полагаясь на то, что нейронные сети способны выделить всю необходимую информацию напрямую из входных данных, а также на существенное сокращение времени, требуемого для прогноза распространения акустических свойств.

Материалы и методы. В исследовании рассматриваются три сценария архитектур моделей для решения задачи прогноза псевдоакустического каротажа, каждый из которых различается количеством нейросетей. Каждый из сценариев адаптирован к специфике реальных месторождений, в которых количество скважин для анализа часто ограничено. Предложенный подход к обучению, используемый в нейронных сетях GAN, применяется для регуляризации моделей и борьбы с переобучением. Разработанный метод тестируется на реальных данных Восточной Сибири.

Результаты нового метода сравниваются с результатами стандартного алгоритма акустической инверсии на основе модели (Model-based). Предлагаемый метод демонстрирует сопоставимые значения метрик количественной оценки и качественного анализа, требуя значительно меньше времени для получения прогноза.

Заключение. Рекомендованный в работе метод демонстрирует высокую эффективность использования технологий глубокого обучения для решения задач инверсии сейсмических данных и может рассматриваться как экспресс метод акустической инверсии.

1. Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Научный мир, 2007. 712 с

2. Данько Д.А. Разработка принципов изучения нетрадиционных глинистых коллекторов на основе петроупругого моделирования и амплитудной инверсии сейсмических данных: дис. ... канд. геол.-мин. наук [Место защиты: Рос. гос. ун-т нефти и газа им. И.М. Губкина]. — Москва, 2018. — 273 с.

3. Kim Y., Nakata N. Geophysical inversion versus machine learning in inverse problems, Lead. Edge, 2018, vol. 37, no. 12, pp. 894–901.

4. Wu B., Meng D., Wang L., Liu N., Wang Y. Seismic impedance inversion using fully convolutional residual network and transfer learning, IEEE Geosci. Remote Sens. Lett., 2020, vol. 17, no. 12, pp. 2140–2144.

5. Sheng H., Wu1 X., Si X., Li J., Zhang S., Duan X. Seismic Foundation Model (SFM): All-Purpose Feature Extraction from Seismic Data for Diverse Geophysical Applications, 85th EAGE Annual Conference & Exhibition, 2024, p. 1–5.

6. Meng D., Wu B., Wang Z., Zhu Z. Seismic impedance inversion using conditional generative adversarial network, IEEE Geoscience and Remote Sensing Letters, 2021, vol. 19, p. 1–5.

7. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser Ł., Polosukhin I. “Attention is all you need,” Advances in neural information processing systems, vol. 30, 2017.