Вход
  1. Главная
  2. Журналы
  3. «Газовая промышленность»
  4. Газовая промышленность 4.2024
Газовая Промышленность 4.2024

Научная статья

УДК 004.89::550.834.05
(UDK 004.89::550.834.05)

Для получения доступа к статьям

Авторизуйтесь
Купить журнал

АВТОМАТИЗАЦИЯ (AUTOMATION (INCLUDING ROBOTICS FOR OIL AND GAS INDUSTRY, SOFTWARE SYSTEMS, DATA ANALYSIS, ETC.))

ИСПОЛЬЗОВАНИЕ ГЛУБОКИХ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ АВТОМАТИЗИРОВАННОЙ ИНТЕРПРЕТАЦИИ СЕЙСМИЧЕСКИХ ДАННЫХ С ПРИМЕНЕНИЕМ МЕТОДА ПЕРЕНОСА ОБУЧЕНИЯ

(USE OF DEEP CONVOLUTIONAL NEURAL NETWORKS FOR AUTOMATED INTERPRETATION OF SEISMIC DATA BY TRANSFER LEARNING METHOD)

В работе предложена гибкая схема автоматизированной системы выделения сейсмофаций на временн х сейсмических разрезах с помощью глубоких сверточных нейронных сетей.
Использование методов глубокого обучения для решения задач сейсмической интерпретации (например, классификации фаций) встречает серьезное препятствие в виде отсутствия достаточного количества общедоступных аннотированных наборов данных для обучения и тестирования моделей. Поэтому исследователи часто прибегают к аннотированию собственных обучающих и тестовых наборов, что оказывает существенное влияние на полученные результаты.
Такое положение дел обусловлено тем, что разные исследователи могут аннотировать различные классы данных или использовать разные разбивки для обучения и тестирования. Кроме того, в работах, где применяется машинное обучение для классификации сейсмофаций, часто не приводятся количественные результаты, а ставка делается исключительно на визуальный анализ полученных данных. Все это приводит к субъективным результатам и значительно затрудняет возможность сравнения различных моделей машинного обучения и понимание преимуществ и недостатков предлагаемых подходов. Для решения этой проблемы авторами была использована полностью проаннотированная геологическая 3D-модель (массив данных Malenov F3). Она построена на основе изучения результатов 3D-сейсморазведки и анализа данных, полученных с 26 каротажных скважин с учетом специфики геологического строения региона.
В работе представлены результаты тестирования предложенной гаммы алгоритмов на примере указанного открытого массива данных Malenov F3. В заключение в целях повышения эффективности вычислений и уменьшения зависимости от оборудования производства NVIDIA Corporation была исследована возможность использования альтернативных процессоров-ускорителей для решения задачи интерпретации геофизических данных методами искусственного интеллекта.

This paper suggests a flexible configuration of an automated system designed to identify seismic facies on time sections using deep convolutional neural networks. The use of deep learning methods in seismic interpretation applications (such as classifying facies) faces a serious challenge, this being a lack of publicly-available annotated datasets for learning and testing of models.
Therefore, it is a common practice when researchers use their own learning and test sets, which greatly affects the results. This is due to the fact that various researchers may annotate various data classes and use different splitting patterns for learning and testing. Besides, researches where machine learning is used to classify seismic facies often do not provide quantitative data but are focused only on visual analysis of data, instead. This all leads to subjective results and significantly complicates comparing various machine learning models and understanding of pros and cons of suggested approaches. To address this issue, the authors used fully annotated geological 3D model (Malenov F3 dataset). It was produced based on a review of 3D seismic data and analysis of data obtained from 26 logged wells with due regard of specific geological features of the region.
This paper provides the test results for the proposed range of algorithms using the mentioned open-source Malenov F3 dataset as an example. As a conclusion, the authors reviewed the options of accelerators that can be used for artificial intelligencebased interpretation of geophysical data aiming to improve the computing performance and reduce dependency on NVIDIA Corporation equipment.

СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ, ГЛУБОКОЕ ОБУЧЕНИЕ, СЕЙСМОФАЦИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, НАБОР ДАННЫХ

CONVOLUTIONAL NEURAL NETWORK, DEEP LEARNING, SEISMIC FACIES, ARTIFICIAL INTELLIGENCE, DATA SET

С.С. Арсеньев-Образцов, к.т.н., доц., ФГАОУ ВО «Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина» (Москва, Россия), arseniev@gubkin.ru

А.П. Поздняков, д.т.н., доц., ФГАОУ ВО «Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина», app@geoinform.su

А.А. Соколов, ФГАОУ ВО «Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина», aa.sokolov99@gmail.com

S.S. Arsenyev-Obraztsov, PhD in Engineering, Associate Professor, National University of Oil and Gas “Gubkin University” (Moscow, Russia), arseniev@gubkin.ru

A.P. Pozdnyakov, DSc in Engineering, Associate Professor, National University of Oil and Gas “Gubkin University”, app@geoinform.su

A.A. Sokolov, National University of Oil and Gas “Gubkin University”, aa.sokolov99@gmail.com

Ольнева Т.В. Сейсмофациальный анализ. Образы геологических процессов и явлений в сейсмическом изображении. Ижевск: Ин-т компьютер. исслед., 2017. 152 с.

Zhao T. Seismic facies classification using different deep convolutional neural networks // SEG Technical Program Expanded Abstracts. Houston, TX, USA: SEG, 2018. Article ID SEG-2018-2997085. DOI: 10.1190/segam2018-2997085.1.

Chen L., Li S., Bai Q., et al. Review of image classification algorithms based on convolutional neural networks // Remote Sens. 2021. Vol. 13, No. 22. Article ID 4712. DOI: 10.3390/rs13224712.

Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv: сайт. URL: https://arxiv.org/abs/1409.1556 (дата обращения: 23.03.2024).

He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New York, NY, USA: IEEE, 2016. P. 770–778. DOI: 10.1109/CVPR.2016.90.

Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // Proceedings of Machine Learning Research. 2019. Vol. 97. P. 6105–6114.

Paszke A., Gross S., Massa F., et al. PyTorch: An imperative style, high-performance deep learning library // Advances in neural information processing systems / ed. by H. Wallach et al. Marietta, GA, USA: Curran Associates, 2019. Vol. 32. P. 8024–8035.

Kingma D.P., Ba J. Adam: A method for stochastic optimization // arXiv: сайт. URL: https://arxiv.org/abs/1412.6980 (дата обращения: 23.03.2024).

Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // Proceedings of Machine Learning Research. 2015. Vol. 37. P. 448–456.

Dramsch J.S., Lüthje, Mikael. Deep-learning seismic facies on state-of-the-art CNN architectures // SEG Technical Program Expanded Abstracts. Houston, TX, USA: SEG, 2018. Article ID SEG-2018-2996783. DOI: 10.1190/segam2018-2996783.1.

Alaudah Y., Michałowicz P., Alfarraj M., AlRegib G. A machine-learning benchmark for facies classification // Interpretation. 2019. Vol. 7, No. 3. P. SE175–SE187. DOI: 10.1190/INT-2018-0249.1.

ResNet v1.5 for PyTorch // NVIDIA Corporation: офиц. сайт. URL: https://catalog.ngc.nvidia.com/orgs/nvidia/resources/resnet_50_v1_5_for_pytorch/performance (дата обращения: 23.03.2024).

Olneva TV. Seismic Facies Analysis. Images of Geological Processes and Phenomena in Seismic Images. Izhevsk, Russia: Institute of Computer Research [Institut komp’yuternykh issledovaniy]; 2017. (In Russian)

Zhao T. Seismic facies classification using different deep convolutional neural networks. In: SEG Technical Program Expanded Abstracts, 22–25 September 2018, Keystone, CO, USA. Houston, TX, USA: SEG; 2018. article ID SEG-2018-2997085. https://doi.org/10.1190/segam2018-2997085.1.

Chen L, Li S, Bai Q, Yang J, Jiang S, Miao Y. Review of image classification algorithms based on convolutional neural networks. Remote Sens. 2021; 13(22): article ID 4712. https://doi.org/10.3390/rs13224712.

Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. Available from: https://arxiv.org/abs/1409.1556 [Accessed: 23 March 2024].

He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: IEEE Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27–30 June 2016, Las Vegas, NV, USA. New York, NY, USA: IEEE; 2016. p. 770–778. https://doi.org/10.1109/CVPR.2016.90.

Tan M, Le QV. EfficientNet: Rethinking model scaling for convolutional neural networks. Proceedings of Machine Learning Research. 2019; 97: 6105–6114.

Paszke A, Gross S, Massa F, Lerer A, Bradbury J, Chanan G, et al. PyTorch: An imperative style, high-performance deep learning library. In: Wallach H, Larochelle H, Beygelzimer A, d'Alché-Buc F, Fox E, Garnett R (eds.) Advances in neural information processing systems. Vol. 32. Marietta, GA, USA: Curran Associates; 2019. p. 8024–8035.

Kingma DP, Ba J. Adam: A method for stochastic optimization. Available from: https://arxiv.org/abs/1412.6980 [Accessed: 23 March 2024].

Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. Proceedings of Machine Learning Research. 2015; 37: 448–456.

Dramsch JS, Lüthje, Mikael. Deep-learning seismic facies on state-of-the-art CNN architectures. In: SEG Technical Program Expanded Abstracts, 22–25 September 2018, Keystone, CO, USA. Houston, TX, USA: SEG; 2018. article ID SEG-2018-2996783. https://doi.org/10.1190/segam2018-2996783.1.

Alaudah Y, Michałowicz P, Alfarraj M, AlRegib G. A machine-learning benchmark for facies classification. Interpretation. 2019; 7(3): SE175–SE187. https://doi.org/10.1190/INT-2018-0249.1.

NVIDIA Corporation. ResNet v1.5 for PyTorch. Available from: https://catalog.ngc.nvidia.com/orgs/nvidia/resources/resnet_50_v1_5_for_pytorch/performance [Accessed: 23 March 2024].
Назад к журналу
NEFTEGAS.info

Внимание к деталям — от идеи
до воплощения! Только актуальная информация и свежие новости.

О нас

 

 

Контакты

108811, г. Москва, Киевское ш.,
Бизнес-парк «Румянцево», корп. Б,
подъезд 5, офис 506 Б

+7 (495) 240-54-57