Содержание к диссертации
Введение
Глава 1. Краткий обзор современного состояния методов математической обработки данных в геофизике 13
1.1 Классические методы цифровой обработки сигналов в геофизике 13
1.2 Методы искусственного интеллекта в геофизике 16
Глава 2. Дискретный Математический Анализ при изучении геомагнитных пульсаций 20
2.1. Введение в главу и постановка задачи 20
2.1.1. Введение 20
2.1.2. Требования к алгоритму 21
2.1.3. Первый шаг алгоритма – подготовка данных 22
2.1.4. Выпрямляющие функционалы 23
2.1.5. Кластеризация 23
2.2. Заполнение пропусков данных 24
2.2.1. Постановка задачи 24
2.2.2. Определения метода гравитационного сглаживания 26
2.2.3. Алгоритм гравитационного сглаживания для заполнения пропусков данных 29
2.2.4 Примеры гравитационного сглаживания геомагнитных данных 30
2.3. Анализ дневных короткопериодных пульсаций Pc3 (20-50 мГц) 32
2.3.1. Входные данные 32
2.3.2. Частотная фильтрация 34
2.3.3. Вычисление матрицы ковариации 36
2.3.4. Эллипсоид поляризации 37
2.3.5. Вычисление обобщенной дисперсии собственных значений 37
2.3.6. Нечеткие грани 39
2.3.8. Сглаживание обобщенной дисперсии <т 41
2.3.9. Поиск возвышенностей на рельефе Ga 432.
3.10. Кластеризация отдельных волновых пакетов РсЗ 43
2.3.11. Выделение продолжительных пульсаций 45
2.3.12. Свободные параметры 45
2.3.13. Использование алгоритма при решении реальной задачи 46
2.3.14. Результаты РсЗ 51
2.4. Анализ ночных нерегулярных пульсаций РІ2 (8-20 мГц) 52
2.4.1. Входные данные 53
2.4.2. Частотная фильтрация 55
2.4.3. Определение поляризации сигнала 55
2.4.4. Применение выпрямления "обобщенная дисперсия" 55
2.4.5 Результаты РІ2 60
2.5. Анализ дневных длиннопериодных пульсаций Рс5 (2-5 мГц) 61
2.5.1. Постановка задачи 61
2.5.2. Подготовка данных 62
2.5.3. Выпрямляющий функционал “Энергия фрагмента обзора” 66
2.5.4. Выпрямляющий функционал “Длина фрагмента обзора” 69
2.5.5. Выпрямляющий функционал “Обобщенная дисперсия” 69
2.5.6. Применение выпрямления "Энергия фрагмента обзора" для анализа данных 72
2.5.7. Результаты применения ДМА для исследований геомагнитных пульсаций Рс5 77
2.6. Результаты главы 2 78
Глава 3. Выделение малоамплитудных дизъюнктивных дислокаций в угленосных толщах с привлечением инструментария ДМА 79
3.1. Введение и обзор существующих подходов 79
3.1 Обзор литературы по теме работы 81
3.1.1. Использование высокочастотных источников для получения высокоразрешающих данных отраженных волн 81
3.1.2. Использование дифрагированных и дуплексных волн 82
3.1.3. Использование обменных отраженных волн PS 83
3.1.4. Применение атрибутного анализа путем его прямого копирования из нефтяной сейсморазведки 83
3.1.5. Выделение малоамплитудных дизъюнктивов по данным метода преломленных волн комплексе с данными отраженных волн 84
3.1.6. Использование МОВ-ОГТ 84
3.1.7. Применение методики сейсмического просвечивания и использование каналовых волн 85
3.1.8. Скважинная сейсморазведка 85
3.1.9. Использование интерференционных подходов 86
3.1.10. Применение нейронных сетей для выделения дизъюнктивов 86
3.1.11.Требования к предлагаемой методике 88
3.2. Лучевое моделирование задачи 89
3.2.1. Выбор модели и подхода 89
3.2.2. Типы волн, возникающих на модели 92
3.2.3. Расчет динамических параметров сейсмограмм 96
3.2.4. Выбор зондирующего импульса 102
3.2.5. Краткое описание алгоритма работы программы создания синтетических сейсмограмм 112
3.2.6. Анализ сейсмограмм 113
3.3. Обработка полевых данных 122
3.3.1. Имеющийся материал 122
3.3.2. Обработка данных МОВ 130
3.3.3. Расчет сейсмических атрибутов 136
3.4. Конструирование нейронной сети 145
3.4.1. Выбор типа нейронной сети 145
3.4.2. Выбор параметров сети 147
3.4.3. Обучение нейронной сети на модельных данных 149
3.4.4. Результаты работы сети на реальных данных 149
3.5. Гравитационное сглаживание временных разрезов 158
3.5.1. Нормирование временных разрезов 158
3.5.2. Алгоритм гравитационного сглаживания временных разрезов 158
3.5.3. Примеры сглаживания временных разрезов и сейсмических атрибутов гравитационным сглаживанием 160
3.6. Сравнение методики гравитационного сглаживания временных разрезов и результатов работы нейронных сетей Кохоннена 166
3.7. Результаты главы 3 167
Заключение 169
Благодарности 170
- Методы искусственного интеллекта в геофизике
- Анализ дневных короткопериодных пульсаций Pc3 (20-50 мГц)
- Выделение малоамплитудных дизъюнктивов по данным метода преломленных волн комплексе с данными отраженных волн
- Примеры сглаживания временных разрезов и сейсмических атрибутов гравитационным сглаживанием
Методы искусственного интеллекта в геофизике
Искусственные нейронные сети или связевые системы призваны моделировать работу нейронов в мозге животных, путем использования комбинаций элементарных условных рефлексов, называемых по имени канадского физиолога синапсами Хебба. Такой синапс, как основу возможных механизмов памяти и поведения, Д.О. Хебб описал теоретически еще в 1949 году [Hebb, 1949], т.е. в первые годы после рождения кибернетики. Сама нейронная сеть состоит из связанных между собой простых элементов - формальных нейронов. При этом предполагается, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала.
При этом свойствами такой системы из нейронов являются:
однородность (элементы одинаковы и чрезвычайно просты, все определяется структурой связей);
использование простых аналоговых элементов - нейронов и синапсов Хебба;
"голографичность" - при разрушении случайно выбранной части система сохраняет свои полезные свойства.
Предполагается, что система связей достаточно богата по своим возможностям и достаточно избыточна, чтобы скомпенсировать бедность выбора элементов, их ненадежность, возможные разрушения части связей.
Другим важным свойством нейронных сетей является их обучаемость - т.е. настройка параметров сети (весов нейронов) производится не вручную, а итерационном процессе сопоставления выхода сети с целевым выходом для заданного входа. Обучение обычно осуществляется так: входные данные делятся на три множества - обучающее, тестовое и рабочее. Для обучающего множество готовится набор целевых выход сети - правильных ответов сети на входы. Отклонение от правильного ответа штрафуется, а само обучение состоит в минимизации штрафа как неявной функции связей.
Здесь кроется как главное достоинство, так и главная проблема нейронных сетей. Неявное обучение приводит к тому, что нейронная сеть становится "черным ящиком" -становится неочевидным, как нейронная сеть получает результат. Открытым становится вопрос, всегда ли можно построить понятную человеку логическую конструкцию, воспроизводящую действия сети.
Развитие математического аппарата нейронных сетей происходило скачкообразно, и хотя первый алгоритм обучения был описан еще Д.О. Хеббом в 1949 году [Hebb, 1949], первые работы, сделавшие возможным применению аппарата ИНС для обработки сигналов относятся к 90-м года XX века [Kosko, 1992; Keun-Rong, 1993; Luo and Unbehauen, 1998]. Сейчас в геофизике нейронные сети успешно применяются для задач прогнозирования [Приходченко, 1997; Назимко и Мерзликин, 2002; Пустарникова и Ахметова, 2002; Лаврик и др., 2007], распознавание сейсмических сигналов и других аномальных событий [Cercone and Martin, 1994; Куликов и Тарасов, 1994; Masiello et all, 2005] кластеризации и классификации [Bishop, 1995; Kohonen, 1997; Cui and Zhong, 2001; Доленко и др., 2008], построении адаптивных фильтров [Лукьяница, 2009].
В системах нечеткой логики в условиях неполной и нечеткой информации строятся системы, приближенно моделирующие рассуждения человека и реализуемые в компьютерных системах. Пионером разработки теории нечетких множеств был профессор Калифорнийского университета (Беркли) Лотфи А. Заде, его работа "Нечеткие множества" [Zadeh, 1965] заложила основы моделирования интеллектуальной деятельности человека и послужила основой для дальнейшего развития нечеткой математики.
Л. Заде расширил классическое канторовское понятие множества, допустив, что характеристическая функция (функция принадлежности элемента множеству) может принимать любые значения на отрезке [0 1], а не только значение 0 либо 1. Такие множества были названы им нечеткими. Он определил также ряд операций над нечеткими множествами, как логических, так и алгебраических.
Дальнейшему успеху в применении нечетких систем в прикладных исследованиях способствовало два их основных достоинства:
универсальность: согласно теореме о полноте систем с нечёткой логикой (FAT - Fuzzy Approximation Theorem) [Kosko, 1993] любая математическая система может быть аппроксимирована системой с нечеткой логикой;
описание условий и метода решений задачи на языке, близком естественному. После доказательство теоремы FAT в 1993 нечеткие системы развиваться применять ся буквально во всех областях науки и техники, в том числе в гуманитарных науках и со циологии [Асаи и др., 1993].
Естественно, что в каждой области нечеткая математика адаптирована под конкретные задачи. Так, в геофизике исходной информацией являются наблюдаемые временные ряды геофизических данных, а целью - изучение аномалий. Для решения этих задач исследователями ГЦ РАН под руководством академика А. Д. Гвишиани был разработан и в течение ряда лет развивается новый подход на изучения геофизических аномалий на основе нечеткой логики [Гвишиани и др., 2002, 2003, 2008a, 2008b, 2010; Агаян и др., 2004, 2005; Богоутдинов и др., 2007, 2008, 2012; Zlotnicki et all, 2005; Gvishiani et all, 2008; Soloviev et all, 2012, 2013]. Этот подход использует попытку моделирования дискретных аналогов фундаментальных понятий математического анализа таких, как предел, непрерывность, гладкость, связность и монотонность, экстремум, перегиб, выпуклость и т.д. Это позволило назвать подход термином “Дискретный математический анализ” (ДМА).
Отправной точкой такого моделирования служит достаточно “мягкий” (в смысле Заде [Заде, 2001]) характер восприятия человеком свойств дискретности. Действительно, опытный исследователь, как правило, эффективно кластеризует, выделяет сгущения, трассирует, находит аномалии в двух-трехмерных массивах и на временных рядах небольших объемов. Задача ДМА – перенести это умение на большие размерности и большие объемы обрабатываемых данных. Формализованной основой ДМА служат нечеткая математика и нечеткая логика, обладающие выразительными возможностями для перевода человеческих представлений и рассуждений на формально-компьютерный язык.
ДМА – достаточно молодой подход и в настоящее время он активно развивается, что оставляет широкий простор для его применения в различных областях геофизики, конструирования на его основе алгоритмов и адаптации существующих.
Анализ дневных короткопериодных пульсаций Pc3 (20-50 мГц)
Самым распространенным видом магнитных колебаний, регистрируемых на земной поверхности, являются дневные геомагнитные пульсации типа Рс3 в полосе частот 20-50 мГц с амплитудой в средних широтах порядка нескольких нТл. Как правило, пульсации Рс3 являются результатом резонансных колебаний силовых линий геомагнитного поля в магнитосфере Земли.
С переходом большинства наземных геомагнитных обсерваторий на цифровую минутную регистрацию данных исследование пульсаций Рс3 (f = 20-50 мГц) по данным этих обсерваторий стало невозможным, поскольку их периоды в среднем составляют порядка 30 с. В ходе модернизации регистрации данных на некоторых магнитных обсерваториях глобальной сети ИНТЕРМАГНЕТ (http://www.intermagnet.org/) в 2010 году была введена регистрация с частотой дискретизации 1 Гц. Это позволило использовать данные таких наблюдений для изучения пульсаций Рс3. Однако при этом возникла трудность выделения этих колебаний, поскольку их амплитуда значительно меньше более длиннопериодных колебаний, и на исходных данных колебания Рс3 не видны.
Целью этого раздела является разработка алгоритма автоматического выделения дневных геомагнитных пульсаций Pc3 по данным наземных цифровых наблюдений с частотой дискретизации 1 Гц. Автором разработан подход на основе использования методов нечеткой логики [Zadeh, 1965; Zlotnicki et al, 2005; Гвишиани и др., 2008, 2010].В работе использовались трехкомпонентные геомагнитные данные M(tj) = (jVk(tj),My(tj),Mz(tj)), где ti менялось от местного магнитного полудня (MLD) до магнитной местной полуночи (MLM) с шагом h = \tt - = 1 с. В этом временном окне могут наблюдаться пульсации Pc3.
Предлагаемый подход был опробован на геомагнитных данных за 5 апреля 2010 года, полученных на десяти обсерваториях французской сети BCMT (Bureau Central de Magntisme Terrestre, http://www.bcmt.fr/): AAE, CLF, DMC, DRV, IPM, LZH, MBO, PAF, PHU, PPT (см. рис. 2.5). Указанные обсерватории также входят и в сеть ИНТЕРМАГНЕТ. Рис. 2.5. Пространственное распределение использовавшихся в разделе геомагнитных обсерваторий на карте мира, даны названия обсерваторий. В работе использовались данные за 5 апреля 2010 года. Жирной черной линией показан магнитный экватор.
Рис 2.6. АЧХ и ФЧХ фильтра, представленного в статье. На рисунке четко видна полоса [20 мГц 50 мГц] с коэффициентом передачи 1. 2.3.2. Частотная фильтрация
На первом шаге обработки данных к секундным данным применялся фильтр Баттер-ворта. Квадрат его АЧХ равен: где w - частота, wc - частота среза (на этой частоте модуль коэффициента передачи равен д/1/2), а п - порядок фильтра. В данной работе использовалось п = 6. На рис. 2.6 представлена АЧХ и ФЧХ фильтра, использовавшегося в этом разделе.
Фильтр Баттерворта выбирался из соображений максимальной гладкости характеристики АЧХ (на этом этапе отсеклись фильтр Чебышева и эллиптические фильтры, как обладающие пульсациями в переходной зоне), причем, в отличие от фильтра Бесселя, который обладает близким свойством - максимальной гладкости характеристики групповой задержки, это свойство сохраняется при дискретизации непрерывного фильтра методом билинейного преобразования. Также фильтр Баттерворта является минимально-фазовым [Parks and Burrus, 1987], что минимизирует задержку сигнала.
После описанной процедуры исходная магнитограмма M(t) преобразуется в фильтрованную запись B(tt) = (Bx(tj), By(ti), Bz(tj)). Последняя содержит только те гармоники, которые попадают в выбранный частотный диапазон 2Дю при фильтрации Баттерворта. Известно, что период пульсаций Pc3 составляет от 20 с до 50 с, поэтому фильтрация производилась в диапазоне [20 мГц, 50 мГц]. Таким образом, подстановка B(tt) вместо
A/(Y.) позволяет работать только с целевыми частотами. Примеры применения фильтрации Баттерворта к геомагнитным данным показаны на рис. 2.7. На рисунке видно, что на исходных записях (верхние кривые) используемый масштаб записи не позволяет выделить геомагнитные пульсации. Это подтверждает необходимость использование фильтрации для анализа колебаний.
Выделение малоамплитудных дизъюнктивов по данным метода преломленных волн комплексе с данными отраженных волн
Эта эффективная методика широко используется на протяжении последних 50 лет и наиболее полно изложена в книге [Карасевич и др, 2008].
Этот подход предполагает выделение малоамлитудных дизъюнктивов методом МПВ в сочетании с МОВ, а именно местоположение самих рефлекторов получать методом МОВ, а метод МПВ применять для выделения разломов по разрывам в поле скоростей. При этом для проведения работ МПВ рекомендуется [Карасевич и др, 2008] использовать достаточно длинные расстановки (длиной до десяти глубин целевого горизонта) и, соответственно, мощные источники (взрывные). В настоящее время применение взрывных источников ограничено по экологическим причинам, что затрудняет использование предложенного подхода.
Наиболее часто в производственных работах применяется известный [Мешбей, 1985; Гурвич, 2005] подход МОВ-ОГТ. Примеры применения такого работ для выделения малоамплитудных разломов представлены в [Тиркель и др., 2005]. Несмотря на широкую распространенность, такой подход в условиях малоглубинной сейсморазведки имеет ряд недостатков:
1. Возможности метода ОГТ ограничены ввиду того, что при суммировании теряются тонкие особенности волновой картины (т.к. суммирование по ОГТ представляет собой двумерный фильтр), что затрудняет выделение малоамплитудных дизъюнктивов. 2. Погрешности определения скоростей в инженерной модификации МОВ-ОГТ, как правило, составляют десятки процентов [Li and Vladov, 2013], что затрудняет локализацию рефлекторов и дизъюнктивов в пространстве.
Этот подход детально изложен в [Азаров и Якволев, 1988]. В этой книге подробно рассмотрено использование как кинематических, так и динамических характеристик кана-ловых и поверхностных волн. При этом методика наблюдений предполагается несколько схожей с методикой межшахтного просвечивания. Возбуждения и прием колебаний преимущественно происходят непосредственно в слое углей – среде распространения канало-вых волн. При этом, к сожалению, доступ во внутренние точки среды возможен далеко не всегда, что затрудняет применение данного подхода.
Сходная методика на отраслевых предприятиях и организациях Украины, в частности на шахте “Самарская”, на шахте “Октябрьская”, ГОАО ”Южнодонбасская”. Подробно опыт её применения изложен в статьях [Глухов и др., 2007; Глухов и Анциферов, 2001]. В этих работах также использовалась методика сейсмического просвечивания, проведение которой существенно дороже и труднее, чем наземной малоглубинной сейсморазведки. Кроме того, при сейсмическом просвечивании в шахтах возникает ряд трудностей физического характера: сложности при установке сейсмоприемников в стенки штреков, часто забетонированных и обложенных стальными листами в избежание плывунов, небогатый выбор источников колебаний – как правило, это небольшая кувалда, которой стучат по стенке штрека. Эти факторы определяют тот факт, что работы по сейсмическому просвечиванию в шахтах проводятся гораздо реже, чем наземная малоглубинная сейсморазведка.
В статьях [Приходченко, 1997; Гаранин и Сахипов, 1983] описано применение скважинной сейсморазведки исключающей влияние верхней части разреза и создающей оптимальные условия для приёма сейсмических волн. Для эффективного применения этого метода необходимо наличие двух скважин с расстоянием между ними менее 200 м. В этом случае метод позволяет установить разрывы с амплитудой 2-3 м. С помощью данной методики был осуществлён прогноз на некоторых полях шахт Кузнецкого района. К сожалению, при реальных работах информация по скважинам зачастую отсутствует и данной методикой пользоваться нельзя. 3.1.9. Использование интерференционных подходов
Под этими подходами подразумевается метод регулируемого направленного приема (РНП) и метод фокусирующих преобразований (ФП).
В книге [Коржов, 1981] показано применение метода РНП для выделения дифрагированных волн на сейсмических разрезах. Затем с использованием априорной геологической информации дифрагированные волны ассоциировались с дизъюнктивными нарушениями. Основные преимущества МРНП заключаются в следующем [Изварин, 1978]:
1) высокая разрешающая способность к разделению волн, не зависящая от угла наклона отражающей границы;
2) возможность прослеживания шероховатых границ;
3) возможность выделения источников дифрагированных волн.
МРНП применяется в наиболее сложных для сейсморазведки геол. условиях, напр., при изучении крутых складок, осложненных тект. нарушениями, изучении солянокуполь-ных структур, поисков рифовых массивов, исследовании глубоких (в т. ч. подсолевых) отл. чехла. Обычно МНРП из-за его значительной трудоемкости применяется на ограниченных участках в комплексе с др. методами сейсморазведки [Изварин, 1978].
В работах [Тарасов, 1969; Тарасов и др., 1985] описан метод фокусирующих преобразований, перешедший в настоящее время в промышленные технологии определения зон развития разрывных нарушений и трещиноватости среды. В основе этого подхода лежит концепция двойной фокусировки сейсмических волн, сначала падающих волн в заданные точки среды, а затем вторичной фокусировки волн, возникших в этих точках среды, в пределах приемной апертуры на поверхности. Двумерные и трехмерные модификации этой технологии позволяют строить сейсмические изображения как по отраженным, так и по дифрагированным волнам. Методика используется как для изучения первичной трещино-ватости среды, так и в режиме мониторинга трещиноватости при разработке месторождений. В отличие от нефтяной сейсморазведки, в производственных работах для выделения малоамплитудных дизъюнктивных дислокаций в угленосных толщах метод ФП в настоящее время не применяется ввиду своей трудоемкости и сложной интерференционной волновой картины, обычной в малоглубинной сейсморазведке.
С развитием вычислительных технологий для выделения малоамплитудных дизъ-юнктивов стало возможным использовать аппарат искусственных нейронных сетей (ИНС). В таких сетях математически моделируются биологические нейронные сети (сети нервных клеток живого организма), поэтому они успешно используются для труднофор-мализуемых задач [Барский, 2004].
Пример их использования для представленной в этой главе задаче можно найти в статье [Назимко и Мерзликин, 2002], где сделана попытка предсказать локализацию и мощность малоамплитудных дизъюнктивов путем накопления максимально обширного фактического материала и последующего применения аппарата искусственных нейронных сетей. Такой подход показал удовлетворительные результаты только в условиях хорошо изученного (в тектоническом, геохимическом, геофизическом и т.д.) месторождения. При этом точность прогноза резко падала при уменьшении априорной информации. При реальных сейсмических работах, как правило, дело приходится иметь с весьма скудным набором геологической информации, что не позволяет применять этот метод.
Интересные и успешные результаты представлены в докладе [Cui and Zhong, 2001]. Располагая значительным объемом фактического материала, авторы выделили и рассчитали несколько сейсмических атрибутов, из которых сформировали входы для нейронной сети. На выходе нейронной сети для каждого профиля были получены кривые вероятности проявления разлома, которые затем накладывались на мигрированный временной разрез, что значительно облегчало выделение дизъюнктивов.
Этот крайне интересный и перспективный подход, к сожалению, не лишен ряда недостатков:
1. Не ясен алгоритм выбора сейсмических атрибутов – как правило, он носит субъективный характер;
2. Расчеты нейронных сетей занимают длительное время;
3. В докладе авторы не смогли представить инструмент для определения углов падения дизъюнктивов;
4. Нейронная сеть работает по принципу "черного ящика": по входу нельзя однозначно предсказать выход сети.
Тем не менее, этот подход, как наиболее перспективный, был выбран для сравнения с работой алгоритма на базе ДМА. Для этого было проведено лучевое моделирование (раздел 3.2), предложен граф обработки сейсмических данных, общий для обоих алгоритмов (раздел 3.3), сконструирована и опробована на реальных данных нейронная сеть типа "самоорганизующаяся карта Кохоненна" (раздел 3.4). 3.1.11.Требования к предлагаемой методике
В результаты анализа существующих подходов к выделению дизъюнктивных дислокаций в угленосной толще были сформулированы основные требования к методике решения задачи. Она должна позволять:
1. Выделять малоамплитудные (от 5 м.) дизъюнктивы при весьма ограниченной априорной геологической информации,
2. Использовать общедоступные методики МОВ (как в плане аппаратуры, так и в плане обрабатывающих процедур),
3. Выделять разломы в тонких пластах углей (2-10 метров), залегающих на глубине 30-60 метров.
Как следствие перечисленных пунктов, граф обработки сейсмических данных должен сохранять тонкие особенности волновой картины.
Примеры сглаживания временных разрезов и сейсмических атрибутов гравитационным сглаживанием
На рис. 3.68 - 3.70 представлены результаты применения описанного выше алгоритма к разрезам (временным и атрибутов) с рис. 3.47, 3.49, 3.51 и соответственно.
В верхней части рисунков приведены исходные разрезы без всех нормировок. Видно, что выделение дизъюнктива на этих разрезах существенно упрощено по сравнению, с прообразами этих разрезов, представленных в более ранних разделах. На иллюстрациях хорошо выделяется дизъюнктив. Интересно было бы протрассировать его на соседние профиля (см. рис. 3.71 и 3.72). На этих рисунках без труда можно выделить разлом, что подтверждается геологическими данными (рис. 3.33).
Таким образом, гравитационное сглаживание позволяет более наглядно визуализировать карты сейсмических атрибутов, что проявляется, в частности, в укрупнении доменов на картах атрибутов, что, в свою очередь, позволяет разделить временные разрезы сейсмических атрибутов на крупные зоны для облегчения визуального выделения разлома. Кроме того, существенным преимуществом двумерного гравитационного сглаживания карт сейсмических атрибутов перед нейронной сетью является предсказуемость результата и гораздо меньшее (в сотни и даже тысячи раз) время расчета.
Для сравнение подходов необходимо протрассировать выделенные дизъюнктивы по параллельным профилям (см. схему на рис. 3.33). Такое трассирование приведено на рис. 3.73. На рисунке 3.73 хорошо видно, что гравитационное сглаживание позволяет более уверенно выделить дизъюнктив. Также важным аспектом является то, что расчет нейронных сетей по трем сейсмическим профилям занял около недели, в то время как гравитационное сглаживание – полчаса.
. Сравнение результатов, полученных с помощью самоорганизующихся карт Ко-хоннена (слева) и методикой гравитационного сглаживания сейсмических атрибутов (справа) по параллельным сейсмическим профилям 1, 4, 5 (расстояние между профилями 600 и 200 м. соответсвенно). Схема расположения сейсмических профилей приведена на рис. 3.33. Видно, что гравитационное сглаживание позволяет более уверенно выделить дизъюнктив.
Для решения задачи выделения малоамплитудных дизъюнктивов по данным малоглубинной сейсморазведки автором было опробовано несколько методов, в т.ч. использование атрибутного анализа и применение самоорганизующихся нейронных сетей Кохон-нена для автоматической кластеризации малоаплитудных дизъюнктивов на временных разрезах. Наиболее результативным из опробованных методов оказался следующий алгоритм, использующий ДМА:
1. Предварительная обработка данных сейсморазведки с сохранением тонких особенностей волновой картины – как итог, формирование разрезов равных удалений. Принципиальным моментом является отказ от использования АРУ и частотной фильтрации, как процедур, значительно снижающих достоверность результат обработки.
2. Расчет сейсмических атрибутов трех основных [Brown, 1996] групп: частотных, амплитудных и временных.
3. Производится гравитационное сглаживание (в терминах ДМА) результирующих временных разрезов и разрезов атрибутов.
Кроме того, в рамках главы проведен сравнение использования гравитационного сглаживания и самоорганизующейся сети Кохоненна с позиций геофизика-интерпретатора. Среди отличительных черт графа предварительной обработки можно назвать: Использование преимущественно отраженных SH- и P-волн. При этом реф-рагированные волны используются только для получения представления о скоростной модели среды; Сохранение тонких особенностей волновой картины, что выгодно отличает его от инженерного МОГТ; Особенности сборки разрезов равных удалений позволяют выравнивать трассы по первым вступлениям, что несколько устраняет влияние неодно-родностей возбуждения и приема. iv. На выходе графа несколько разрезов равных удалений, где с помощью ввода кинематических поправок, отражения приведены к уровню t0. В ходе сравнения у использования гравитационного сглаживания выделены следующие преимущества:
1. Гравитационное сглаживание не требует формирование обучающей выборки и тестового множества (но требует регулировки матрицы весов и параметра сглаживания ), что при работе с нейронной сетью отнимает значительное время ввиду первостепенной важности качества этой процедуры на результаты применения ИНС (искусственной нейронной сети).
2. Гравитационное сглаживание требует меньше вычислительных ресурсов – например, расчет сети из 16 нейронов при длительности обучения в 500 циклов (при этом было достигнуто требуемое расхождение кластеров) на компьютере c процессором Intel Atom частотой 1,6 МГц занял около 20 часов, при этом обучающим образом был временной разрез в 68 трасс длительностью 300 мс. В то же время гравитационное сглаживание этого временного разреза и 6 его атрибутов занимает 7 минут.
3. Алгоритм гравитационного сглаживания математически обоснован, прост, прозрачен, легко настраивается. В то же время нейронная сеть представляет собой своеобразный "черный ящик", т.е. по входу сети нельзя однозначно предсказать её выход.
Все описанные алгоритмы опробованы на данных 5 объектов из двух регионов РФ (см. раздел 3.3.1).
Результаты главы опубликованы в [1] и [7] из списка опубликованных работ (см. Приложение 1), доложены на конференциях.
В диссертационной работе представлены результаты исследований автора, направленных на решение важной научной и практической задачи развития методов нечеткой логики в исследовании геомагнитных и сейсмических данных.
Актуальность темы научного исследования, ее цели и задачи, научная новизна, теоретическая и практическая значимости, методология и методы исследования, основные положения, выносимые на защиту, достоверность полученных научных результатов и их апробация, личный вклад автора подробно описаны во введении.
Общий итог работы состоит в том, что для исследования данных различной геофизической природы были разработаны и адаптированы алгоритмы на едином математическом базисе, при этом были успешно решены и поставленные геофизические задачи.
