Применение генеративносостязательных нейронных сетей на основе трансформеров в качестве алгоритма для сейсмической амплитудной инверсии : научное издание
Библиографическое описание:Применение генеративносостязательных нейронных сетей на основе трансформеров в качестве алгоритма для сейсмической амплитудной инверсии : научное издание / В. Д. Гришко [и др.]. - Текст : непосредственный // PROнефть. Профессионально о нефти. - 2025. - Т.10, №1. - С. 146-155. - ISSN 2587-7399. - ISSN 2588-0055, DOI 10.51890/2587-7399-2025-10-1-146-155.
Аннотация: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.
Introduction. Seismic amplitude inversion enables the transition from wavefield amplitudes to the distributions of physical properties and the prediction of their propagation. However, the inversion problem is often ill-posed due to solution non-uniqueness and instability, as well as the limited frequency range of seismic data, which typically necessitates iterative optimization.Aim. The objective of this study is to develop and test a method for impedance inversion using Generative Adversarial Networks (GAN) without the need for constructing a low-frequency model or extracting the impulse from well log data. This method aims to minimize the degrees of freedom of the inversion algorithm, relying on neural networks’ ability to extract all necessary information directly from the input data, and signifi cantly reducing the time required for predicting the propagation of acoustic properties.Materials and methods. The study examines three model architecture scenarios for predicting pseudo-acoustic logging, each differing in the number of neural networks. Each scenario is adapted to the specifics of real data, where the number of wells available for analysis is often limited. The proposed training approach used in GANs is applied for solve model regularization and overfitting tasks. The developed method is tested on real data from a site in Eastern Siberia.Results. The results of the new method are compared with those of the standard model-based acoustic inversion algorithm. Our method demonstrates comparable metrics in quantitative evaluation and qualitative analysis, requiring significantly less time to obtain the forecast.Conclusion. Our method demonstrates high efficiency in using deep learning technologies to solve seismic data inversion problems and can be considered as a rapid method for acoustic inversion.
