Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок
The quality of geological exploration works is directly proportional to the quality of seismic data processing, in particular the migration procedures that will be used for modeling and forecasting the distribution of reservoirs. To increase the quality of seismic interpretation workflow, a mathemat...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://jais.net.ua/index.php/files/article/view/280 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-280 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-03-11T15:00:30Z |
| collection |
OJS |
| language |
English |
| topic |
модель машинного навчання нейронна мережа сейсміка U-net архітектура функція втрат |
| spellingShingle |
модель машинного навчання нейронна мережа сейсміка U-net архітектура функція втрат Okhariev, Viacheslav Noskov, Oleksiy Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| topic_facet |
модель машинного навчання нейронна мережа сейсміка U-net архітектура функція втрат machine learning model neural network seismicity U-net architecture loss function |
| format |
Article |
| author |
Okhariev, Viacheslav Noskov, Oleksiy |
| author_facet |
Okhariev, Viacheslav Noskov, Oleksiy |
| author_sort |
Okhariev, Viacheslav |
| title |
Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| title_short |
Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| title_full |
Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| title_fullStr |
Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| title_full_unstemmed |
Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок |
| title_sort |
застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2d- і 3d-зйомок |
| title_alt |
Application of the migrated seismic images resolution capacity increasing technology for 2D- and 3D-surveying |
| description |
The quality of geological exploration works is directly proportional to the quality of seismic data processing, in particular the migration procedures that will be used for modeling and forecasting the distribution of reservoirs. To increase the quality of seismic interpretation workflow, a mathematical model of machine learning based on the neural network of the U-net architecture was developed and software implemented to increase the resolution and increase the signal / noise ratio for 2D and 3D seismic survey fields. An algorithm was built for the preparation of migrated seismic data in the standard SEGY format for processing with the help of a model and reverse conversion into the input format, which allows working with data of any geometry and physical size of the input file. To work with a three-dimensional dataset, an algorithm for transforming a set of 2D images into pseudo 3D volumes was described, as well as sufficiency criteria for training datasets for 2D and 3D variants of the of neural networks structure. In a simplified view, the quantitative characteristics of the input data for training the network in both formats are explained and the policies, in particular the mixed-precision mechanism, involved to reduce the load on the graphics card performing the model training are explained. The need to transition from 2D to 3D layout of the artificial intelligence network is substantiated, a number of forced measures to save PC resources for working out the given task are presented. The optimal loss function and layout of neural network blocks were selected for both 2D and 3D implementation options. As a result, neural networks were obtained whose loss function values are identical, i.e. the task is qualitatively performed for all proposed seismic data formats. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2025 |
| url |
https://jais.net.ua/index.php/files/article/view/280 |
| work_keys_str_mv |
AT okharievviacheslav applicationofthemigratedseismicimagesresolutioncapacityincreasingtechnologyfor2dand3dsurveying AT noskovoleksiy applicationofthemigratedseismicimagesresolutioncapacityincreasingtechnologyfor2dand3dsurveying AT okharievviacheslav zastosuvannâtehnologíízbílʹšennârozdílʹnoízdatnostímígrovanihsejsmíčnihzobraženʹdlâ2dí3dzjomok AT noskovoleksiy zastosuvannâtehnologíízbílʹšennârozdílʹnoízdatnostímígrovanihsejsmíčnihzobraženʹdlâ2dí3dzjomok |
| first_indexed |
2025-10-30T02:48:55Z |
| last_indexed |
2025-10-30T02:48:55Z |
| _version_ |
1847373369307037696 |
| spelling |
oai:ojs2.jais.net.ua:article-2802025-03-11T15:00:30Z Application of the migrated seismic images resolution capacity increasing technology for 2D- and 3D-surveying Застосування технології збільшення роздільної здатності мігрованих сейсмічних зображень для 2D- і 3D-зйомок Okhariev, Viacheslav Noskov, Oleksiy модель машинного навчання, нейронна мережа, сейсміка, U-net архітектура, функція втрат machine learning model, neural network, seismicity, U-net architecture, loss function The quality of geological exploration works is directly proportional to the quality of seismic data processing, in particular the migration procedures that will be used for modeling and forecasting the distribution of reservoirs. To increase the quality of seismic interpretation workflow, a mathematical model of machine learning based on the neural network of the U-net architecture was developed and software implemented to increase the resolution and increase the signal / noise ratio for 2D and 3D seismic survey fields. An algorithm was built for the preparation of migrated seismic data in the standard SEGY format for processing with the help of a model and reverse conversion into the input format, which allows working with data of any geometry and physical size of the input file. To work with a three-dimensional dataset, an algorithm for transforming a set of 2D images into pseudo 3D volumes was described, as well as sufficiency criteria for training datasets for 2D and 3D variants of the of neural networks structure. In a simplified view, the quantitative characteristics of the input data for training the network in both formats are explained and the policies, in particular the mixed-precision mechanism, involved to reduce the load on the graphics card performing the model training are explained. The need to transition from 2D to 3D layout of the artificial intelligence network is substantiated, a number of forced measures to save PC resources for working out the given task are presented. The optimal loss function and layout of neural network blocks were selected for both 2D and 3D implementation options. As a result, neural networks were obtained whose loss function values are identical, i.e. the task is qualitatively performed for all proposed seismic data formats. Для проведення геологорозвідувальних робіт важливо мати якомога якісніші результати обробки сейсмічних даних. У цьому контексті особливого значення набувають процедури міграції, що використовуються для сейсмічного матеріалу, на базі якого буде виконано геологічне моделювання та зроблено прогноз розповсюдження колекторів. Для покращення робіт із сейсмічної інтерпретації за допомогою мігрованих сейсмічних даних розроблено і програмно реалізовано математичну модель машинного навчання на базі нейронної мережі архітектури U-Net для збільшення роздільної здатності і співвідношення сигнал / завада для полів сейсмічної 2D- і 3D-зйомки. Дана модель пропонується як опційний постміграційний крок обробки матеріалів сейсмічної зйомки. Дослідження виконано за допомогою загальнодоступного набору синтетичних даних, використаних як тренувальний та валідаційний набори. Побудовано алгоритм для підготовки мігрованих сейсмічних даних у стандартному форматі SEGY для опрацювання через модель із зворотною конвертацією у вхідний формат, що дозволяє обробляти дані будь-якої геометрії та фізичного розміру вхідного файлу. Для тривимірного набору даних описано алгоритм трансформації 2D-зображень у псевдооб’єми 3D, а також критерії достатності щодо навчання наборів даних для 2D- і 3D-варіантів будови нейронних мереж. У спрощеному вигляді показано кількісні характеристики вхідних даних для тренування мережі в обох форматах та політики (зокрема механізму змішаної точності), використані для зменшення навантаження на відеокарту, що виконує тренування моделі. Обґрунтовано необхідність переходу з 2D- на 3D-компонування мережі штучного інтелекту, наведено ряд вимушених заходів щодо економії ресурсів ПК для опрацювання поставленої задачі. Продемонстровано оптимальну функцію втрат та компонування блоків нейронної мережі для реалізації як 2D-, так і 3D-варіантів. Отримано нейронні мережі, які мають тотожні значення функції втрат, що свідчить про якісне виконання поставленої задачі для всіх запропонованих форматів сейсмічних даних. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025-02-25 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/280 10.34229/1028-0979-2025-1-4 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 70 № 1 (2025): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 49–59 International Scientific Technical Journal "Problems of Control and Informatics; Том 70 № 1 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 49–59 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 70 No. 1 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 49–59 2786-6505 2786-6491 en https://jais.net.ua/index.php/files/article/view/280/502 Copyright (c) 2025 Viacheslav Okhariev, Oleksiy Noskov https://creativecommons.org/licenses/by-nc-nd/4.0 |