Professional Documents
Culture Documents
معرفی روشی کم هزینه و خودکار در تولید انبوه داده مخزنی برای آموزش الگوریتم یادگیری عمیق با
استفاده از شبیه سازی متوالی مستقیم
) .Hermann et al., 2019; Siahkoohi et al., 2021یکی از روش های - 1مقدمه
دارای رزولوشن باال برای بدست آوردن مدل سرعتی روش وارن سازی شکل توصیف دقیق و کارآمد زمین شناسی زیر سطحی یکی از موضوعات در
موج کامل می باشد (Virieux and Operto, 2009; Aghamiry et al., ژئوفیزیک به منظور کاربردهای مختلف می باشد .روش های مختلفی و
) .2019این روش به صورت تکراری از یک مدل اولیه شروع و خروجی آن مرسومی برای این منظور تاکنون استفاده شده است ،مانند تصویر سازی
مدل سرعتی با رزولیشن باالست .برای حل برخی از مشکالت این روش لرزه ای ،روش های زمین آماری.
مانند وابستگی به مدل سرعت اولیه ،بد وضع بودن و پرش دوره ،روش هایی یکی از موضوعات مهمی که در چند سال اخیر در زمینه بینایی ماشین و
ارائه شده است .یکی از روش هایی که چند سال اخیر برای برطرف کردن پردازش تصویر مورد توجه و استفاده قرار گرفته است روش های ی ادگیری
مشکالت روش وارون سازی شکل موج کامل مورد توجه قرار گرفته روش ماشین و به طور ویژه روش های ی ادگیری عم یق می باشد (Lecun et al.,
های ی ادگیری عمیق است ) .(Arya-Polo et al., 2018روش های )2015
ی ادگیری عمیق در زمینه وارون سازی شکل کامل موج ،خود به سه دسته روش ی ادگیری عمیق به صورت ویژه در سال های اخیر به طور گسترده در
تقسی م می شود -۱ :روش های انتها به انتها کدگذار-کدگشا (Yang and حوزه های مختلف ژئوفیزیک مانند پردازش داده های لرزه ای شامل درون
) -2 ،Ma, 2019; WU and Lin, 2019روش ه ای ی ادگیری Low- ی ابی ،تصویرسازی ،حذف نوفه و بدست آوردن پارامترهای مخزن مورد
(Fang et al., 2020) Wavenumberو -۳روش شبکه عصبی حاوی استفاده قرار گرفته است ;(Siwei et al.. 2019; Kaur et al., 2021
سرعت به عنوان سبک تصویر ،مشخصات زمین شناسی همان ساختار با اطالعات فیزیکی مسئله .(Ren et al., 2020) PINN
محتوای تصویری دیگر ادغام می شود .بنابراین این مسئله شبیه تولید در روش انتها به انتها ،عملگر وارون به طور مستقی م در فرایند ی ادگیری
عکس واقعی است .یکی از مشکالت این روش هزینه محاسبات باالی آن قرار می گیرد .در حالی که در روش دوم ی ادگیری عدد موج پایین از داده
است که برای کاهش هزینه محاسباتی ) (Feng et al., 2021روشی ارائه توسط روش های تکراری متداول در وارون سازی جبهه موج استفاده
گردید. میشود .در روش آخر که تقریب اً از دو روش باال جدیدتر است اطالعات در
در این مقاله ،از روش ساده و سریع به منظور تولید داده آموزشی استفاده مورد فیزیک مسئله (معادله موج) استفاده می شود.
شده است .این روش براساس شبیه سازی زمین آماری در مدل سازی در اکثر روش های ی ادگیری عمیق که به صورت با نظارت انجام می شود
مخازن استفاده می شود .در اینجا از روش شبیه سازی متوالی مستقیم و با برای آموزش بهتر شبکه و بدست آوردن خروجی با رزولوشن مناسب به
استفاده از مفهوم تصویر ثانویه ،مدل های سرعت متنوع تولید می شود. تعداد زی اد داده آموزشی نی از داری م.
- 2روش شناسی همان طور که در باال بی ان شد ،یکی از روش مورد استفاده در بدست آوردن
روشها و الگوریتمهای مختلفی برای شبیهسازی زمینآماری وجود دارد که مدل سرعتی استفاده از ساختار انتها به انتها می باشد که در خیلی را
همه آنها حول الگوری تم شبیه سازی متوالی گوسی (Deutch and مقاالت از این روش استفاده شده است (Li et al., 2020; Mao et al.
) Journel, 1992گسترش ی افتهاند .فرض گوسی بودن توزیع احتمالی اولیه ) .2019یکی از مشکالت در این نوع از شبکه ها که به صورت با نظارت
در این الگوریتمها با انجام یک تبدیل گوسی روی داده اولیه انجام میشود. آموزشی داده می شوند ،تولید تعداد زی اد و نزدیک به واقعیت مدل سرعتی
در حالی که توزیع دادهها میتواند دارای چولگی مثبت و منفی و ی ا چند برای آموزش شبکه می باشد .تا کنون روش هایی برای تولید داده زیاد و
مُدی باشد و از این رو بازتولید تابع توزیع احتمالی اولیه ی ا هی ستوگرام بعد واقعی ارائه شده اند که شامل -۱روش های تولید داده به صورت تصادفی،
از تبدیل گوسی ممکن است دشوار باشد ) .(Tran et al., 2001الزم به -2روش های زمین آماری و -۳روش های ی ادگیری عمیق هستند .سوال
ی ادآوری است که برای رسیدن به مدلهای مخزنی قابل اطمینان ،ضروری اصلی این است که چگونه مدل های سرعتی زیر سطحی تولید کنیم که
است که آمارههای اولیه (می انگین و واری انس) که از دادههای چاهنگاری به دربردارنده ویژگی های واقعی زمین شناسی برای آموزش شبکه باشد.
دست آمدهاند در مدلهای شبیهسازی شده بازتولید گردند .استفاده از روش در روش اول الگوریتم های تولید مدل تصادفی معموالً برای یک کار خاص
شبیهسازی متوالی مستقیم توسعه داده شده سوارس ( )200۱به دلیل طراحی می شوند و ممکن است انواع عمومی مدل های زیر سطح تصادفی
امتی از ویژه آن در عدم فرض گوسی بودن برای تابع توزیع احتمالی اولیه به را تولید کنند ،به عنوان مثال ،مدل های الیه ای ی ا مدل های دارای گنبد
دست آمده از دادههای چاهنگاری است .مراحل محاسباتی الگوریتم رایج نمکی .به این معنی که مدلهای زیرسطحی بهدست آمده از دیدگاه
شبیهسازی متوالی مستقی م به شرح زیر است ):(Soares, 2001 متخصصان واقعی به نظر نمیرسند (مانند الیهبندی ،گسلها ،روندها و
- ۱تعیین مسیر تصادفی در کل شبکه شبیهسازی غیره) ).(Ovcharenko et al., 2019
- 2انتخاب سلول 𝑢 𝑥 که قرار است شبیه سازی شود در روش دوم از روش های زمین آماری برای تولید مدل واقعی استفاده می
- ۳تخمین میانگین محلی ∗) 𝑢 𝑥( 𝑧 و واریانس ) 𝑢 𝑥( 𝑘𝑠𝜎 با استفاده
2 شود این روش ها خود به روش چند نقطه و دو نقطه تقسیم می شود .برای
از تخمین کریگینگ که به دادههای تجربی و داده شبیهسازی مثال از روش زمین آماری چند نقطه بر پایه تصویر آموزشی برای شبیه
شده قبلی مقید شده است. سازی استفاده شده است ) .(Rezaee et al., 2015همچنین با استفاده از
- 4تعیین بازه تابع توزیع )𝑧( 𝑧𝐹 که قرار است نمونهبرداری شود. ترکیب روش های زمین آمار چند نقطه و شبکه های GANبرای تولید
- 5تولید عددی مانند 𝑝 از توزیع یکنواخت بین صفر و یک مدل واقعی استفاده گردیده است ) .(Laloy et al., 2019در این مقاله ،از
- 6تولید یک مقدار 𝑠 𝑦 از تابع توزیع گوسی روش شبیه سازی متوالی مستقی م و با استفاده از مفهوم تصویر ثانویه ،مدل
)) 𝑢 𝑥( 𝐺(𝑦( 𝑥 𝑢) ∗ , 𝜎𝑠𝑘2به صورت زیر: های سرعت واقعی تولید شده است.
𝑘𝑠𝜎 𝑦 𝑠 = 𝐺 −1 (𝑦( 𝑥 𝑢)∗ ,
( 2
)𝑝 𝑥 𝑢 ), در روش سوم از روش های ی ادگیری عمیق برای تولید در مدل واقعی
- 7تولید مقدار شبیه سازی شده به صورت زیر: استفاده شده است ).(Laloy et al., 2019; Shihang et al., 2021
𝜑 = )𝑢𝑥 𝑧
(𝑠 −1
) 𝑠 𝑦( روش انتقال ساختار ) ،(Johnson et al.,2016به دستهای از الگوریتمهای
که در آن 𝜑 −1تبدیل معکوس گوسی است. اطالق میشود که شکل های دیجیتال یا ویدئوها را به منظور اتخاذ ظاهر
- 8تکرار مراحل فوق تا زمانی که همه گرهها شبیهسازی شوند. یا سبک بصری تصویر دیگر دستکاری می کنند .واقع گرایی ادراکی شکل
های تولید شده مصنوعی ،یکی از نتایج مطلوب در حوزه بینایی کامپیوتر
توجه شود که تابع توزیع گوسی فقط برای نمونهبرداری از تابع توزیع
است .از این الگوریتم ها با استفاده از شبکههای عصبی عمیق به منظور
تجمعی استفاده میشود و نی ازی به فرض گوسی بودن تابع توزیع تجمعی
تبدیل تصویر مشخص برای تولید داده نسبتا واقعی استفاده گردید
اولیه نیست .برای تولید مقدار شبیهسازی در الگوریتم رایج از تابع توزیع
) .(Ovcharenko et al., 2019در این روش با درنظر گرفتن مدلهای
تجمعی کلی استفاده میشود ) .(Soares, 2001این بدان معنی است که
۱0 ،7 ،4و ،۱2مدل سازی بر روی مدل های سرعت دارای گنبد نمکی در کل شبکه سهبعدی شبیهسازی احتمال ظهور یک مقدار شبیهسازی
انجام شده است که نتایج ،هنگامی که از تصویر ثانویه استفاده شده مطلوب شده یکسان است .از طرف دیگر ،یک مدل پیوستگی فضایی مشابه برای
تر می باشد .همچنین در شکل 6مدل سرعت دارای گسل ،شبیه سازی کل شبکه در نظر گرفته می شود .این امر موجب سادهسازی الگوریتم و در
شده است .همانطور که مشخص است هنگامی که از تصویر ثانویه استفاده نتیجه سرعت باالی اجرا آن خواهد شد اما در بعضی شرایط ممکن است با
می شود قابلیت مدل کردن گسل ها وجود دارد .با استفاده از این روش، واقعیت منطبق نباشد .این موضوع خصوصا ً در شرایطی که تغییرات پارامتر
تعداد خروجی های شبیه سازی می تواند به هر تعداد دلخواه باشد که در مورد مطالعه در یک راستا بسی ار بیشتر از راستاهای دیگر است ،ایجاد
ضمن با هم تفاوت دارند (جلوگیری از بیش برازش در آموزش شبکه عمیق) مشکل میکند .به عنوان مثال در شرایطی که الیهها زیرسطحی تقریب اً افقی
و این یکی از مزای ای این روش برای تولید داده آموزشی است .همچنین در ی ا با شیب کم هستند ،بیشترین تغییرات مقاومت صوتی تنها در جهت قائم
این مقاله ،از روش شبیه سازی مستقی م توأمان برای تولید داده با کیفیت وجود دارد و تغییرات جانبی خفیف است .در این شرایط ،استفاده از ت ابع
و نزدیک به مدل های واقعی استفاده گردید .به این صورت که بخشی از توزیع تجمعی کلی برای شبیهسازی نقاطی که از نظر موقعیت فضایی در
ورودی را به عنوان تصویر ثانویه در فرآیند شبیه سازی در کنار داده های قسمتهای مختلفی قرار دارند ،ممکن است موجب تولید مقادیر شبیهسازی
چاه استفاده می شود .در این مقاله به عنوان نمونه ،از ضرایب همبستگی نادرست گردد.
50 ،۳0و 70درصد برای شبیه سازی توأمان استفاده شده است( .شکل چارچوب مشخصی برای تولید پایگاه داده به صورت خودکار در محیط
های ۳تا ،۱4ستون های ب-ت) برنامه نویسی متلب مطابق شکل ۱ارائه شده است .همانطور که در این
استفاده از تصویر ثانویه در فرآیند شبیه سازی برای تولید مدل سرعت به شکل مشخص است ،اولین مرحله اول انتخاب پنجره مناسب برای استخراج
دو منظور می باشد :اول اینکه با این روش نیز مدل سرعت برای آموزش مقاطع مختلف از مدل اولیه است .انتخاب داده های چاه های مصنوعی به
شبکه های عمیق به تعداد دلخواه تولید می شود و محدودیتی ایجاد نمی تعداد دلخواه از مقاطع انتخاب شده دومین مرحله مهم این فلوچارت را
شود و دوم اینکه استفاده از تصویر ثانویه هم ان طور که اشاره شد ،باعث تشکیل می دهد .انتخاب تصادفی داده های چاه باید به گونه ای باشد که
می شود کیفیت بهتری از مدل سرعت با جزئی ات بیشتری ارائه گردد .مزیت توزیع فضایی مناسب داشته باشد .این کار توسط اندازه گیری فاصله چاه
دیگر این روش این است که از ضرایب همبستگی مختلف برای تولید بدون ها به صورت خودکار در آمده است .در صورت تایید ،سپس ،ورود داده های
محدودیت مدل های سرعت یا مخزنی می توان استفاده نمود .این به معنای چاه به الگ وریتم شبیه سازی صورت گرفته و مدل های آموزشی تولید بر
تولید به تعداد زیاد از مدل سرعت یا مخزنی برای ایجاد یک پایگاه داده اساس شبیه سازی ساده یا شبیه سازی توأمان انجام می شود .با انتخاب
برای آموزش شبکه های عصبی عمیق در پژوهش های مختلف است. پارامترهای مختلف می تواند داده های آموزشی انبوه را تولید نمود .در این
- 4نتیجهگیری مقاله ،به عنوان نمونه ،استفاده از شش مدل سرعت معروف (شکل )2برای
برای آموزش شبکه های عصبی عمیق با نظارت نی از به داده های آموزشی تولید داده های آموزشی مورد استفاده قرار گرفته و نتایج آن در قسمت
زی اد و نزدیک به مدل واقعی است .تا به حال روش های مختلفی برای این بعد آورده شده است.
منظور ارائه شده که هر کدام مزای ا و معایبی دارند .در این مقاله ،روشی - 3شبیه سازی عددی و نتایج
ساده و کم هزینه برای تولید نامحدود داده آموزشی با استفاده از روش به منظور شبیه سازی و تولید مدل های مناسب ،از شش مدل سرعت
شبیه سازی مستقیم و شبیه سازی مستقیم توأمان ارائه گردید .از این روش معروف که در اکثر مقاالت به آنها پرداخته می شود ،استفاده شد (شکل .)2
می توان برای تولید مدل های مناسب با کاربرد در تعیین مدل های سرعت برای تنوع کافی در مدل های سرعت و به منظور شبیه سازی و استفاده به
و مدل های مخزنی مناسب برای آمورش شبکه عصبی عمیق از جزئیات عنوان داده آموزشی ،بخش هایی از این مدل های سرعت جدا شده و از
کم تا جزئی ات زی اد تولید کرد .از مدل های تولید شده توسط چارچوب ارائه بین این مدل ها آنهایی را که از نظر زمین شناسی دارای مفهوم هستند
شده در این مقاله ،می توان برای تخمین پارامترهای مخزنی مانند امپدانس انتخاب شده است .سپس این مدل ها ،عنوان ورودی مرحله شبیه سازی به
صوتی ،تخلخل و اشباع در مطالعات آتی استفاده نمود .همچنین می توان رفته است .در این مقاله ،ابعاد هر مدل را ۱00در ۱50سلول می باشد.
با خودکارسازی تعیین پارامترهای واریوگرام با استفاده از روش های هوش سپس از روش شبیه سازی متوالی مستقیم و بشیه سازی متوالی مستقیم
مصنوعی ،مدل های مصنوعی با دقت بیشتر تولید کرد. توأمان برای تولید مدل مناسب برای آموزش شبکه های عصبی عمیق
استفاده می کنی م.
مطابق فلوچارت شکل ،۱ابتدا از هر مدل 6 ،4و 8چاه به صورت تصادفی
استخراج گردید و با استفاده از روش شبیه سازی متوالی مستقیم ،تولید
داده انجام گردید که در شکل های ۳تا ( ۱4الف-ت) برخی از خروجی
های شبیه سازی آورده شده است .این روش می تواند برای مدل هایی که
دارای گنبدنمکی یا گسل باشد تا حد مطلوبی کارامد باشد .در شکل های
ورود مدل اولیه
استخراج مقطع
بله
Sim
شکل : 4نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت BP
شکل : 5نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت HESS
شکل : 6نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت HESS
شکل : 7نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت Marmousi
شکل : 8نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت Marmousi
شکل : 9نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت Pluto
شکل : ۱0نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت Pluto
شکل : ۱۱نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت SEGsalt
شکل : ۱2نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت SEGsalt
شکل : ۱۳نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت SIGSBEE2B
شکل : ۱4نتایج حاصل از شبیه سازی متوالی مستقیم و شبیه سازی توأمان بر روی مدل سرعت SIGSBEE2B
Siahkoohi, A., Rizzuti, G. and Herrmann, F. J., Deep منابع- 5
bayesian inference for seismic imaging with tasks.
arXiv preprint arXiv:2110.04825, 2021. Aghamiry, H. S., Gholami, A., and Operto, S., 2019,
Siwei Yu, Jianwei Ma, and Wenlong Wang, 2019, Deep Implementing bound constraints and total-variation
learning for denoisingdeep learning for denoising. regularization in extended full-waveform inversion
Geophysics, 84(6):V333– V350. with the alternating direction method of multiplier:
Shihang Feng, Youzuo Lin, and Brendt Wohlberg, 2021, Application to large contrast media. Geophysical
Multiscale data-driven seismic full-waveform inversion Journal International, 218(2), 855–872.
with field data study. IEEE Transactions on Geoscience Araya-Polo, M., Jennings, J., Adler, A. and Dahlke, T., 2018,
and Remote Sensing, pp. 1–14. Deep-learning tomography. Leading Edge, 37(1), 58–
Soares, A., 2001, Direct Sequential Simulation and 66.
Cosimulation, Mathematical Geology, 33, 911-926. Deutsch, C.V. and Journel, A.G., 1992, GSLIB:
Tran, T.T., Deutsch, C.V. and Xie, Y., 2001, Direct Geostatistical software library and user's guide, Oxfo rd
Geostatistical Simulation With Multiscale Well, Univ Press, New York. 340.
Seismic, and Production Data, SPE Annual Technical Fang, J., Zhou, H., Elita Li, Y., Zhang, Q., Wang, L., Sun, P.
Conference and Exhibition, Vol. SPE Paper Number and Zhang, J., 2020, Data-driven low-frequency signal
71323. Society of Petroleum Engineers . recovery using deep-learning predictions in full-
Virieux, J., and Operto, S., 2009, An overview of full- waveform inversion. Geophysics, 85(6), A37–A43.
waveform inversion in exploration geophysics. Herrmann, F. J., A. Siahkoohi, and G. Rizzuti. Learned
Geophysics, 74(6). https://doi.org/10.1190/1.3238367 imaging with constraints and uncertainty quantification.
Wu, Y. and Lin, Y., 2019, InversionNet: An Efficient and In Neural Information Processing Systems (NeurIPS) ,
Accurate Data-Driven Full Waveform Inversion. IEEE 2019, Deep Inverse Workshop.
Transactions on Computational Imaging, 6, 419–433. Johnson, J., Alahi, A. and Fei-Fei, L., 2016, Perceptual
Yang, F. and Ma, J., 2019, Deep-learning inversion: A next- losses for real-time style transfer and super-resolution,
generation seismic velocity model building method. European conference on computer vision. Springer, pp.
Geophysics, 84(4), R583–R599. 694–711.
Kaur, H., Pham, N., & Fomel, S., 2021, Seismic data
interpolation using deep learning with generative
adversarial networks. Geophysical Prospecting, 69(2),
307–326.
Laloy, E., Linde, N., Ruffino, C., Hrault, R., Gasso, G. and
Jacques, D., 2019, Gradientbased deterministic
inversion of geophysical data with generative
adversarial networks: Is it feasible? Computers &
Geosciences, 133, 104333.
Lecun, Y., Bengio, Y., & Hinton, G., 2015, Deep learning.
Nature, 521(7553), 436–444.
Li, S., Liu, B., Ren, Y., Chen, Y., Yang, S., Wang, Y. and
Jiang, P. (2020, Deep-Learning Inversion of Seismic
Data. IEEE Transactions on Geoscience and Remot e
Sensing, 58(3), 2135–2149.
Mao, B., Han, L. G., Feng, Q. and Yin, Y. C. (2019).
Subsurface velocity inversion from deep learning-based
data assimilation. Journal of Applied Geophysics, 167,
172–179.
Ovcharenko, O. V., Kazei, D. P. and Alkhalifah, T., 2019,
Style transfer for generation of realistically textured
subsurface models: 89th Annual International Meeting,
SEG, Expanded Abstracts, doi: 10.1190/segam20 1 9-
3216349.1.
Ren, Y., Xu, X., Yang, S., Nie, L. and Chen, Y., 2020, A
Physics-Based Neural-Network Way to Perfo rm
Seismic Full Waveform Inversion. IEEE Access, 8,
112266–112277.
Rezaee, H., D. Marcotte, P. Tahmasebi, and Saucier, A.,
2015, Multiple-point geostatistical simulation using
enriched pattern databases, Stochastic Environ. Res.
Risk Assess., 29(3), 893–913