Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж
Розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі архітектури U-net для збільшення роздільної здатності та збільшення значення сигнал/завада для полів сейсмічної зйомки 2D і 3D досліджень із застосуванням синтетичного набору тренувальних даних. Описано...
Saved in:
| Published in: | Доповіді НАН України |
|---|---|
| Date: | 2024 |
| Main Author: | |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Видавничий дім "Академперіодика" НАН України
2024
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/202319 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж / О.В. Носков // Доповіді Національної академії наук України. — 2024. — № 3. — С. 11-17. — Бібліогр.: 12 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-202319 |
|---|---|
| record_format |
dspace |
| spelling |
Носков, О.В. 2025-03-13T11:11:56Z 2024 Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж / О.В. Носков // Доповіді Національної академії наук України. — 2024. — № 3. — С. 11-17. — Бібліогр.: 12 назв. — укр. 1025-6415 https://nasplib.isofts.kiev.ua/handle/123456789/202319 004.4 DOI: doi.org/10.15407/dopovidi2024.03.011 Розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі архітектури U-net для збільшення роздільної здатності та збільшення значення сигнал/завада для полів сейсмічної зйомки 2D і 3D досліджень із застосуванням синтетичного набору тренувальних даних. Описано будову моделі, наведено метрики якості тренування/валідації. Побудовано алгоритм для підготовки мігрованих сейсмічних даних у стандартному форматі SEGY для опрацювання за допомогою моделі і зворотною конвертацією у вхідний формат. The paper contains description of a U-net architecture-based machine learning model created for seismic resolution enhancement and noise reduction. The presentation includes a brief explanation of the choice of publicly available synthetic data for training and verification purposes. Apart from architecture blocks description, the author describes variations of the loss functions used as metrics to verify the model’s performance. uk Видавничий дім "Академперіодика" НАН України Доповіді НАН України Інформатика та кібернетика Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж Neural network-based seismic resolution enhancement technology Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| spellingShingle |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж Носков, О.В. Інформатика та кібернетика |
| title_short |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| title_full |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| title_fullStr |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| title_full_unstemmed |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| title_sort |
технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж |
| author |
Носков, О.В. |
| author_facet |
Носков, О.В. |
| topic |
Інформатика та кібернетика |
| topic_facet |
Інформатика та кібернетика |
| publishDate |
2024 |
| language |
Ukrainian |
| container_title |
Доповіді НАН України |
| publisher |
Видавничий дім "Академперіодика" НАН України |
| format |
Article |
| title_alt |
Neural network-based seismic resolution enhancement technology |
| description |
Розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі архітектури U-net для збільшення роздільної здатності та збільшення значення сигнал/завада для полів сейсмічної зйомки 2D і 3D досліджень із застосуванням синтетичного набору тренувальних даних. Описано будову моделі, наведено метрики якості тренування/валідації. Побудовано алгоритм для підготовки мігрованих сейсмічних даних у стандартному форматі SEGY для опрацювання за допомогою моделі і зворотною конвертацією у вхідний формат.
The paper contains description of a U-net architecture-based machine learning model created for seismic resolution enhancement and noise reduction. The presentation includes a brief explanation of the choice of publicly available synthetic data for training and verification purposes. Apart from architecture blocks description, the author describes variations of the loss functions used as metrics to verify the model’s performance.
|
| issn |
1025-6415 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/202319 |
| citation_txt |
Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі використання нейронних мереж / О.В. Носков // Доповіді Національної академії наук України. — 2024. — № 3. — С. 11-17. — Бібліогр.: 12 назв. — укр. |
| work_keys_str_mv |
AT noskovov tehnologíâzbílʹšennârozdílʹnoízdatnostímígrovanihseismíčnihdanihnaosnovívikoristannâneironnihmerež AT noskovov neuralnetworkbasedseismicresolutionenhancementtechnology |
| first_indexed |
2025-11-25T23:10:46Z |
| last_indexed |
2025-11-25T23:10:46Z |
| _version_ |
1850579512412078080 |
| fulltext |
11
ОПОВІДІ
НАЦІОНАЛЬНОЇ
АКАДЕМІЇ НАУК
УКРАЇНИ
ISSN 1025-6415. Допов. Нац. акад. наук Укр. 2024. № 3: 11—17
Ц и т у в а н н я: Носков О.В. Технологія збільшення роздільної здатності мігрованих сейсмічних даних на основі
використання нейронних мереж. Допов. Нац. акад. наук Укр. 2024. № 3. С. 11—17. https://doi.org/10.15407/
dopovidi2024.03.011
© Видавець ВД «Академперіодика» НАН України, 2024. Стаття опублікована за умовами відкритого доступу за
ліцензією CC BY-NC-ND (https://creativecommons.org/licenses/by-nc-nd/4.0/)
ІНФОРМАТИКА ТА КІБЕРНЕТИКА
INFORMATICS AND CYBERNETICS
https://doi.org/10.15407/dopovidi2024.03.011
УДК 004.4
О.В. Носков, https://orcid.org/0000-0002-6729-0538
Інститут телекомунікацій і глобального інформаційного простору НАН України, Київ, Україна
E-mail: a33211noskov@gmail.com
Технологія збільшення роздільної здатності мігрованих
сейсмічних даних на основі використання нейронних мереж
Представлено членом-кореспондентом НАН України О.М. Трофимчуком
Розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі
архітектури U-net для збільшення роздільної здатності та збільшення значення сигнал/завада для полів
сейсмічної зйомки 2D і 3D досліджень із застосуванням синтетичного набору тренувальних даних. Опи-
сано будову моделі, наведено метрики якості тренування/валідації. Побудовано алгоритм для підготовки
мігрованих сейсмічних даних у стандартному форматі SEGY для опрацювання за допомогою моделі і зво-
ротною конвертацією у вхідний формат.
Ключові слова: модель машинного навчання, нейронна мережа, сейсміка, U-net архітектура, функція втрат.
Вступ. Україна стрімко розвиває свою нафтогазову галузь з метою здобуття енергетичної
незалежності. Ключову роль в процесі пошуку та розвідки нових нафтогазових покладів
становить побудова геолого-технологічної 3D моделі досліджуваної площі, яка спирається
на сейсмічні дані [1]. Нажаль, в переважній кількості випадків, якість сейсмічних даних не
є оптимальною для вирішення поставленої задачі [2]. Це обумовлено рядом причин:
■ один зі основних нафтогазових басейнів України — Дніпровсько-Донецька западина,
що розташована в щільно-заселеній частині країни;
■ ведення робіт з дорозвідки родовищ має істотний вплив на якість сейсмічних даних
та привносить антропогенний фактор інфраструктури будь-якого активного родовища;
■ різна якість польових матеріалів та міграції сейсмічних зйомок, що зумовлює змен-
шення співвідношення сигнал/завада.
Мета роботи — створення і тренування нейронної мережі для покращення якості мі-
грованих сейсмічних даних, що підвищує якість і ефективність робіт з сейсмічної інтер-
претації та геологічного моделювання площі досліджень.
12 ISSN 1025-6415. Dopov. Nac. akad. nauk Ukr. 2024. No. 3
О.В. Носков
Якість геологічних структурних побудов, а також розповсюдження колекторських
властивостей гірських порід — це основні задачі, які ставляться на етапі сейсмічної ін-
терпретації. Вирішення цих задач залежить від якості як свердловинного матеріалу, так і
мігрованих сейсмічних даних.
Покращенню інформативної частини сейсмічних даних присвячено ряд наукових
праць (зокрема [3—5]), проте більшість із них сфокусовані на дослідженні геологічних
умов, що сильно відрізняються від наявних в Україні за глибиною залягання. В цій роботі
пропонується розв’язання таких задач за допомогою використання згорткових нейронних
мереж [6] (НМ), що набули широкого розвитку за останні роки.
Як відомо, для якісного тренування нейронних мереж (НМ) потрібна значна кількість якіс-
них зображень, позбавлених шумів, що в реальній природі досить важко отримати. Неякісне
тренування НМ призводить до неякісного розв’язання поставленої задачі. У роботах [7, 8] про-
понується застосування якісних сучасних матеріалів з яскраво-вираженими порушеннями в
якості джерела даних для тренування та валідації моделі, проте використання подібних резуль-
татів може по-перше, бути недостатнім для тренування моделі, а по-друге, є питання стосовно
якості прогнозу моделі — бо функція середньої абсолютної похибки (MSE loss function ℓ1), яка
зазвичай використовується згортковими мережами, прагне до «згладженого» результату в зоні
існування порушень, що в підсумку знижує якість фінальної сейсмічної інтерпретації.
Для вирішення першої частини задачі [9] було згенеровано 800 синтетичних сейсміч-
них кубів, з яких було екстраговано 3200 різних 2D зображень, які і сформували базу даних
для навчання моделі.
Для побудови моделі нейронної мережі було використано варіант архітектури U-net,
який схематично зображено на рис. 1.
Архітектура НМ. Використана мережа має три блоки кодувальника (encoder block) та
відповідно три блоки декодувальника (decoder block), що поєднуються зв’язковим блоком
(bridge layer), який функціонально потрібен для переносу вхідної інформації до шарів де-
кодеру (Upsampling layers) для захвату та збереження ключових паттернів навчених у по-
передніх шарах, забезпечуючи тим самим факт, що інформацію буде правильно відтворено
128
128
256
256
512
Maxpooling
Transposed convolution
Input (convolution)
Conv + ReLU
Concat
Residual block
Upsampling (Sub-pixel conv)
Output (Conv + LeakyReLU)
512
512
1024512 512
512256 256 256
256
256
128
128
128128
128
64
64 64 64 64 64
64 64 64 64 1
1
Рис. 1. Схематична будова використаної нейронної мережі
13ISSN 1025-6415. Допов. Нац. акад. наук Укр. 2024. № 3
Технологія збільшення роздільної здатності мігрованих сейсмічних даних
в наступних. Структурно рівень зв’язкового блоку складається з параметрів, які можна
навчити і які дозволяють моделі адаптувати та точно налаштовувати своє внутрішнє пред-
ставлення на основі характеристик даних. Він діє як важлива ланка, підвищуючи здатність
моделі вивчати ієрархічні та складні функції [10].
Окремо слід відмітити, що для покращення роботи моделі в якості функції активізації
було використано модифіковану ReLU (Rectifi ed Linear Unit), а саме leaky ReLU для усунення
проблем із зникаючим градієнтом — градієнти для значень, більших за нуль мають залиша-
тися ненульовими, що забезпечуватиме ефективне поширення градієнтів та оновлення ваги
в процесі тренування. Leaky ReLU, як і її похідна функція, активує лише окремі нейрони,
залишаючи інші неактивними. Завдяки цьому нейронна мережа може навчатися на більш
розріджених уявленнях даних і знижується ризик перенавчання, що підтверджується отри-
маною похибкою під час перевірки на нових, небачених мережею даних. Головна відмінність
Leaky ReLU від похідної функції — вона не зберігає інформацію про негативні значення, у той
час як ReLU приводить їх до нульових значень, що зумовлює проблеми “відмираючих нейро-
нів”. Головний недолік обох функцій — ненормалізованість. Його було покрито за рахунок
нормалізації тренувального та валідаційного наборів даних із тим, що при роботі нейронної
мережі з реальними даними, останні будуть також нормалізовані на початку навчання та
денормалізовані при перетворенні масиву даних у робочі файли (наприклад, *.SEGY).
Результати дослідження та їх аналіз. Модель складається з трьох шарів, вона поступо-
во збільшує кількість малюнків в ітерації в послідовності 1 — 64 — 128 — 512. Була апро-
бована версія моделі з чотирьох шарів, а саме до 1024, але при значному збільшенні часу
розрахунку моделі, а саме з 57 мс (64 GB RAM/32 GB Nvidia RTX 3060) на епоху у випадку
тришарової моделі і 76 мс у випадку чотиришарової, якісні показники прогнозу моделі
вказують ріст на 2 %. Тому раціонально використовувати глибшу мережу вже на фінальній
стадії імплементації моделі до реальних даних, зекономивши час на ітеративну адаптацію
коду з використанням тришарової моделі.
Вирішальний вплив на якість роботи згорткової нейронної мережі має тип функції
втрат, обраний при компіляції моделі.
Рішення подібних задач активно досліджується [11, 12] і вже опубліковано порівняль-
ні результати робіт із застосуванням найбільш актуальних функцій втрат — Mean Squared
Error (MSE), VGG Loss, PSNR, MSSE.
В межах представленої роботи було використано наступні зразки функції втрат для
оцінки якості навчання нейронної мережі:
■ ℓ1_loss
■ ℓ2_loss
■ PSNR
■ Pixel MSE
Мережа навчається за допомогою PSNR функції втрати, яка поєднує втрати ℓ1 і втрати
MS-SSIM. Завдяки перевагам у покращенні продуктивності та конвергенції над середньо-
квадратичною помилкою (MSE) або ℓ2_loss[8], ℓ1_loss широко використовується для збіль-
шення роздільної здатності зображень. Математично втрата ℓ1 визначається так:
1
SR HR
,
1 ( , ) ( , )
i j
I i j I i j
N
,
14 ISSN 1025-6415. Dopov. Nac. akad. nauk Ukr. 2024. No. 3
О.В. Носков
де N — кількість пікселів; ISR — зображення низької роздільної здатності; IHR — зображен-
ня високої роздільної здатності.
Однак на практиці нейронна мережа, що навчена використовувати лише ℓ1_loss, гене-
руватиме зображення високої роздільної здатності з гладкими текстурами, що не є при-
йнятними для подальшого процесу робіт з сейсмічної інтерпретації через втрату окремих
геологічних подій [9], які локально розташовані в хвильовому полі. Причина полягає в
тому, що ℓ1_loss мінімізує єдину піксельну відстань між результатом навчання моделі і ме-
тою та ігнорує текстурні елементи.
Вирішення другої частини завдання, а саме заміни стандартної ℓ1 функції відбува-
лось ітеративно[10], з контролем результатів роботи моделі за використаної функції втрат.
Фінальне рішення — застосування пікового співвідношення сигнал-завада (PSNR loss
function), яке краще відображає кількість сингалів, що мають зашумлену природу, а відтак,
має бути змінений в ході навчання моделі:
2
10 1010log 20logI IMAX MAXPSNR
MSE MSE
.
0.045
0.040
0.035
0.030
0.025
0.020
–26
–28
–36
–32
0.0035
0.0030
0.0025
0.0015
0.0005
0.0020
0.0010
0.0035
0.0030
0.0025
0.0015
0.0005
0.0020
0.0010
10864
Функція втрат ℓ1_loss Функція втрат ℓ2_loss
20
10864
Функція втрат PSNR Функція втрат Pixel_MSE
20
1086420
1086420
ℓ1_loss
val_ℓ1_loss
PSNR_loss
val_PSNR_loss
ℓ1_loss
val_ℓ1_loss
Pixel_mse_loss
val_pixel_mse_loss
Рис. 2. Результати навчання моделі із застосуванням різних функцій втрат
15ISSN 1025-6415. Допов. Нац. акад. наук Укр. 2024. № 3
Технологія збільшення роздільної здатності мігрованих сейсмічних даних
Метрики роботи моделі з вказаною функцією втрат зображено на рис. 2.
Порівняння графіків співвідношення амплітуда/частота для даних з низькою просто-
ровою роздільною здатністю і прогнозних даних, а також значення функції втрат PSNR
вказує на високий рівень відтворення вхідних сейсмічних знімків високої роздільної здат-
ності, що і було метою моделі ШІ (рис. 3, 4).
Презентована робота виконується в Україні вперше, в світовій практиці подібні дослі-
дження були виконані і представлені [5] в рамках конференції AAPG, 2020 р.
А
мп
лі
ту
да
Частота, Гц
60
50
50
40
30
20
10
100 150 200 250
0
0 50 100 150 200 2500 50 100 150 200 2500
50
40
30
20
10
0
60
50
40
30
20
10
0
70 60
Рис. 3. Співвідношення спектральних показників наборів даних для трьох різних зразків з набору даних.
Червоний — вхідні дані низької роздільної здатності, сині — прогноз моделі
Рис. 4. Результат роботи моделі машинного навчання. Зліва — очікуваний ре-
зультат, в центрі — вхідні дані для роботи моделі, справа — результат прогнозу.
Значення PSNR вказують на відносний рівень впевненості прогнозу
16 ISSN 1025-6415. Dopov. Nac. akad. nauk Ukr. 2024. No. 3
О.В. Носков
Наступний крок розвитку проекту полягатиме в трансформації сейсмічного набору
даних у робочому форматі *.SEGY в матрицю тензорів, поділ її направлених зрізів, які на-
зиваються інлайнами і крослайнами на розмірність 2D зображень, використаних при по-
будові моделі і зворотна трансформація зміненої матриці в похідний формат даних.
Висновки. На базі публічних синтетичних даних побудовано нейронну мережу, а та-
кож підібрано оптимальні налаштування її блокової будови і функції втрат, що ефективно
збільшує співвідношення сигнал/завада для мігрованих сейсмічних даних і таким чином
збільшує можливості для сейсмічної інтерпретації площі досліджень.
ЦИТОВАНА ЛІТЕРАТУРА
1. Nabhan M. Hauzan et all. Analysis of Geological Structure based on 3D Virtual Outcrop Model and Physical
Properties of Rocks in Wringinanom District, Gresik Regency, IOP Conf. Series Earth and Environmental
Science. 2024. 1307, № 1. https://doi.org/10.1088/1755-1315/1307/1/012024
2. Nascimento A. et all. Well-velocity variogram sensibility analysis when building geologically constrained
velocity models for onshore seismic data, Conf.: 18th Int. Congress of the Brazilian Geophysical Society, 2023.
3. Zhang Y.-G., Wang Y., Yin J.-J. Single point high density seismicdata processing analysis and initial evaluation.
Shiyou Diqiu Wuli Kantan (Oil Geophys. Prospecting). 2010. 45, № 2. P. 201—207.
4. Xiao F. et al. High-density 3D point receiver seismic acquisition andprocessing—a case study from the Sichuan
Basin, China. Firs t Break. 2014. 32, № 1. https://doi.org/10.3997/1365-2397.32.1.72598
5. Rebert T., Sablon R., Vidal N., Charrier P., Soubaras R. Improving pre-salt imaging with variable-depth streamer
data. Proc. SEG Tech. Program Expanded Abstr., Sep. 2012. P. 1—5.
6. Yang J., Zhang Y., Yu Y. Nested U-Net Architecture Based Image Segmentation for 3D Neuron Reconstruction.
J. Medical Imaging and Health Informatics. 2021. https://doi.org/10.1166/jmihi.2021.3379
7. Lu P., Morris M., Brazell S., Comiskey C., Xiao Y. Using generative adversarial networks to improve deep-
learning fault interpretationnetworks. Lead. Edge. 2018. 37, № 8. P. 578—583. https://doi.org/10.1190/
tle37080578.1
8. Lim B., Son S., Kim H., Nah S., Lee K.M. Enhanced deepresidual networks for single image super-resolution.
Proc. IEEEConf. Comput. Vis. Pattern Recognit. Workshops (CVPRW). Jul. 2017. P. 136—144.
9. Wu X., Liang L., Shi Y., Fomel S. FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional
neural network for 3D seismic fault segmentation. Geophysics. 2019. 84, № 3. P. IM35—IM45. https://doi.
org/10.1190/geo2018-0646.1
10. Wu X., Geng Z., Shi Y., Pham N., Fomel S., Caumon G. Building realistic structure models to train convolutional
neural net-works for seismic structural interpretation. Geophysics. 2020. 85, № 4. P. WA27—WA39. https://doi.
org/10.1190/geo2018-0646.1
11. Недзельський О.Ю., Лащевська Н. О. Реставрація зображень методом Super resolution з використанням
згорткових нейронних мереж. Вісник НТУУ “КПІ”. Радіотехніка, радіоапаратобудування. 2023. 91. P.
79—86. https://doi.org/10.20535/RADAP.2023.91.79-86
12. Garcia-Garcia A., Orts-Escolano S., Oprea S., Villena-Martinez V., Garcia-Rodriguez J. A review on deep
learning techniques applied to semantic segmentation. 2017, arXiv:1704.06857. https://doi.org/10.48550/arxiv.
org/abs/1704.06857
Надійшло до редакції 10.03.2024
REFERENCES
1. Nabhan, M. Hauzan. (2024). Analysis of Geological Structure based on 3D Virtual Outcrop Model and Physical
Properties of Rocks in Wringinanom District, Gresik Regency, IOP Conference Series Earth and Environmental
Science, 1307, No. 1. https://doi.org/10.1088/1755-1315/1307/1/012024
2. Nascimento, A. et all. (2023). Well-velocity variogram sensibility analysis when building geologically constrained
velocity models for onshore seismic data. Conference: 18th Int. Congress of the Brazilian Geophysical Society.
17ISSN 1025-6415. Допов. Нац. акад. наук Укр. 2024. № 3
Технологія збільшення роздільної здатності мігрованих сейсмічних даних
3. Zhang, Y.-G., Wang, Y. & Yin, J.-J. (2010). Single point high density seismic data processing analysis and initial
evaluation. Shiyou Diqiu Wuli Kantan (Oil Geophys. Prospecting), 45, No. 2, pp. 201-207.
4. Xiao, F. et al. (2014). High-density 3D point receiver seismic acquisition and processing—a case study from the
Sichuan Basin, China. Firs t Break, 32, No. 1. https://doi.org/10.3997/1365-2397.32.1.72598
5. Rebert, T., Sablon, R., Vidal, N., Charrier, P. & Soubaras, R. (2012). Improving pre-salt imaging with variable-
depth streamer data. Proc. SEG Tech. Program Expanded Abstr., Sep., pp. 1-5.
6. Yang, J., Zhang, Y., Yu, Y. (2021). Nested U-Net Architecture Based Image Segmentation for 3D Neuron
Reconstruction. J. Medical Imaging and Health Informatics. https://doi.org/10.1166/jmihi.2021.3379
7. Lu, P., Morris, M., Brazell, S., Comiskey, C. & Xiao, Y. (2018). Using generative adversarial networks to improve
deep-learning fault interpretation networks. Lead. Edge, 37, No. 8, pp. 578-583. https://doi.org/10.1190/
tle37080578.1
8. Lim, B., Son, S., Kim, H., Nah, S. & Lee, K. M. (2017). Enhanced deep residual networks for single image super-
resolution. Proc. IEEEConf. Comput. Vis. Pattern Recognit. Workshops (CVPRW), pp. 136-144.
9. Wu, X., Liang, L., Shi, Y. & Fomel, S. (2019). FaultSeg3D: Using synthetic data sets to train an end-to-end
convolutional neural network for 3D seismic fault segmentation. Geophysics, 84, No. 3, pp. IM35—IM45.
https://doi.org/10.1190/geo2018-0646.1
10. Wu, X., Geng, Z., Shi, Y., Pham, N., Fomel, S. & Caumon, G. (2020). Building realistic structure models to train
convolutional neural net-works for seismic structural interpretation. Geophysics, 85, No. 4, pp. WA27-WA39.
https://doi.org/10.1190/geo2018-0646.1
11. Nedzelskyi, O. Y. & Lashchevska, N. O. (2023) Super-Resolution Image Restoration Using Convolutional Neural
Network. Visnyk NTUU KPI Seriia — Radiotekhnika Radioaparatobuduvannia, 91, pp. 79-86 (in Ukrainian).
https://doi.org/10.20535/RADAP.2023.91.79-86
12. Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V. & Garcia-Rodriguez, J. (2017). A review
on deep learning techniques applied to semantic segmentation. arXiv:1704.06857. https://doi.org/10.48550/
arxiv.org/abs/1704.06857
Received 10.03.2024
O.V. Noskov, https://orcid.org/0000-0002-6729-0538
Institute of Telecommunications and Global Information Space of the NAS of Ukraine, Kyiv, Ukraine
E-mail: a33211noskov@gmail.com
NEURAL NETWORK-BASED SEISMIC RESOLUTION ENHANCEMENT TECHNOLOGY
The paper contains description of a U-net architecture-based machine learning model created for seismic resolution
enhancement and noise reduction. The presentation includes a brief explanation of the choice of publicly available
synthetic data for training and verification purposes. Apart from architecture blocks description, the author
describes variations of the loss functions used as metrics to verify the model’s performance.
Keywords: machine learning model, neural network, U-net architecture, loss function.
|