Automatische Erkennung des ersten Bruchs in seismischen Daten mit Hilfe von Deep Graph Learning

Core Concepts

Eine neuartige Methode zur automatischen Erkennung des ersten Bruchs in seismischen Daten unter Verwendung von Deep Graph Learning, die eine höhere Genauigkeit und Stabilität im Vergleich zu herkömmlichen Methoden aufweist.

Abstract

Die Studie stellt eine neuartige Methode zur automatischen Erkennung des ersten Bruchs in seismischen Daten vor, die auf Deep Graph Learning basiert. Die Methode, genannt DGL-FB, behandelt seismische Daten als Graphen, bei denen jede Spur als Knoten und die Ähnlichkeiten zwischen den Spuren als Kanten dargestellt werden. Der Ansatz umfasst zwei Hauptschritte: Kodierung des Subgraphs in globale Merkmale mithilfe eines tiefen Graphenkodierers. Dieser nutzt die SAGEConv-Schicht mit LSTM-Aggregator, um die Informationen der benachbarten Knoten zu kombinieren. Kombination der globalen Merkmale mit den lokalen Merkmalen (Spursignale) und Segmentierung dieser kombinierten Merkmale in die Zeiten des ersten Bruchs mithilfe eines ResUNet-1D-Netzwerks. Die Evaluierung auf einem öffentlichen Datensatz zeigt, dass DGL-FB eine höhere Genauigkeit (81,8%) und Stabilität (RMSE=3,24) im Vergleich zu einer 2D-U-Net-basierten Benchmark-Methode (Genauigkeit 76,3%, RMSE=460,0) erreicht. Die Visualisierung der Ergebnisse zeigt, dass DGL-FB robuste Ergebnisse liefert, die den manuellen Pickings nahezu identisch sind und in einigen Bereichen sogar besser abschneiden.

Stats

Die Methode DGL-FB erreicht eine Genauigkeit von 81,8%, was eine Verbesserung von 7,2% gegenüber der Benchmark-Methode (76,3%) darstellt. Die Methode DGL-FB reduziert den RMSE-Wert um 99,3% im Vergleich zur Benchmark-Methode (3,24 gegenüber 460,0).

Quotes

"Seismische Daten können als Graphendaten betrachtet werden, und sie können mit Graphneuronalnetzwerken kodiert werden, um die gemeinsamen globalen Informationen von Subgraphen zu erfassen." "Die ResUNet-1D-Technik in DGL-FB integriert effektiv globale und lokale Merkmale und liefert robuste Erste-Bruch-Pickings."

Key Insights Distilled From

Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning

by Hongtao Wang... at arxiv.org 04-15-2024

https://arxiv.org/pdf/2404.08408.pdf

Deeper Inquiries

Wie könnte der Ansatz des Deep Graph Learning auf andere Probleme in der Geophysik angewendet werden, bei denen die Berücksichtigung globaler Zusammenhänge von Vorteil sein könnte

Der Ansatz des Deep Graph Learning könnte auf andere Probleme in der Geophysik angewendet werden, bei denen die Berücksichtigung globaler Zusammenhänge von Vorteil ist, wie beispielsweise bei der Seismik-Interpretation von komplexen geologischen Strukturen. Indem seismische Daten als Graphen modelliert werden, können globale Beziehungen zwischen verschiedenen geophysikalischen Merkmalen erfasst werden. Dies könnte dazu beitragen, Muster und Zusammenhänge zu erkennen, die auf lokaler Ebene möglicherweise nicht offensichtlich sind. Zum Beispiel könnte Deep Graph Learning verwendet werden, um die Beziehung zwischen seismischen Ereignissen und geologischen Formationen zu analysieren, um die Genauigkeit von Interpretationen zu verbessern.

Welche Herausforderungen müssen bei der Skalierung des Graphen auf sehr große seismische Datensätze überwunden werden

Bei der Skalierung des Graphen auf sehr große seismische Datensätze müssen mehrere Herausforderungen überwunden werden. Zunächst ist die Verwaltung der Größe des Graphen entscheidend, da die Anzahl der Knoten und Kanten exponentiell mit der Datenmenge wächst. Dies erfordert effiziente Techniken zur Speicherung und Verarbeitung großer Graphen, um Engpässe bei der Berechnung zu vermeiden. Zudem müssen Methoden zur Subgraph-Sampling entwickelt werden, um relevante Teilmengen des Graphen auszuwählen, die für das Training und die Inferenz geeignet sind. Darüber hinaus ist die Optimierung von Deep Graph Learning-Algorithmen für große Datensätze von Bedeutung, um die Effizienz und Skalierbarkeit des Modells sicherzustellen.

Inwiefern könnte der Einsatz von Methoden des Federated Learning dazu beitragen, die Leistungsfähigkeit von DGL-FB weiter zu verbessern, ohne sensible Daten zwischen verschiedenen Standorten austauschen zu müssen

Der Einsatz von Methoden des Federated Learning könnte dazu beitragen, die Leistungsfähigkeit von DGL-FB weiter zu verbessern, ohne sensible Daten zwischen verschiedenen Standorten austauschen zu müssen. Durch die Implementierung von Federated Learning könnte das Modell auf lokalen Geräten oder Servern an verschiedenen geografischen Standorten trainiert werden, wobei nur aggregierte Modelle oder Parameter ausgetauscht werden. Dies ermöglicht es, die Vorteile des verteilten Trainings zu nutzen, ohne Datenschutzbedenken zu beeinträchtigen. Darüber hinaus könnte Federated Learning dazu beitragen, die Vielfalt der Trainingsdaten zu erhöhen und die Robustheit des Modells gegenüber unterschiedlichen geologischen Bedingungen zu verbessern.