Machine und Deep Learning Seminar

Abstract – Deep Learning for Seismic Demultiple

(Deep Learning für seismische Entmultiplikation)

Die Mehrfachabschwächung ist ein wichtiger Schritt in der seismischen Datenverarbeitung, der zu einer verbesserten Abbildung und Interpretation führt. Radon-basierte Algorithmen werden üblicherweise zur Unterscheidung von Primär- und Mehrfachdämpfungen in seismischen Punktsammlungen mit gemeinsamer Tiefe verwendet. Dieser Prozess setzt eine große Anzahl von Parametern voraus, die für ein zufriedenstellendes Ergebnis optimiert werden müssen. Darüber hinaus stellen Radon-basierte Ansätze manchmal eine Herausforderung dar, wenn es darum geht, Primaries und Multiples mit ähnlichen Moveouts zu unterscheiden. Deep Learning auf der Grundlage von neuronalen Faltungsnetzen hat in letzter Zeit vielversprechende Ergebnisse bei seismischen Verarbeitungsaufgaben gezeigt, die die Herausforderungen herkömmlicher Methoden abmildern könnten.

In dieser Arbeit wird detailliert beschrieben, wie neuronale Faltungsnetzwerke mit synthetischen seismischen Daten trainiert werden können, um das Demultiple-Problem zu bewerten. Wir vergleichen verschiedene Trainingsstrategien für die Entfernung von Multiples, die auf unterschiedlichen Verlustfunktionen basieren. Wir bewerten die Leistung der verschiedenen Strategien anhand von 400 sauberen und verrauschten synthetischen Daten. Wir fanden heraus, dass das Training eines neuronalen Faltungsnetzwerks zur Vorhersage der Multiples und deren anschließende Subtraktion vom Eingangsbild die effektivste Strategie zur Entmultiplikation ist, insbesondere bei verrauschten Daten. Schließlich testen wir unser Modell zur Vorhersage von Vielfachen auf einem elastischen synthetischen Datensatz und vier unterschiedlichen Felddatensätzen. Der von uns vorgeschlagene Ansatz zeigt erfolgreiche Generalisierungsfähigkeiten bei der Vorhersage und Eliminierung von internen und oberflächenbezogenen Multiples vor und nach der Migration, während er gleichzeitig die Radon-Herausforderungen entschärft und den Benutzer von manuellen Aufgaben entlastet. Infolgedessen stellen unsere effektiv trainierten Modelle ein neues wertvolles Werkzeug für die seismische Entmultiplikation dar, das in bestehenden Verarbeitungsprozessen berücksichtigt werden kann.