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."