view in publisher's site

Deep learning for 3D seismic compressive-sensing technique: A novel approach

A deep-learning-based compressive-sensing technique for reconstruction of missing seismic traces is introduced. The agility of the proposed approach lies in its ability to perfectly resolve the optimization limitation of conventional algorithms that solve inversion problems. It demonstrates how deep generative adversarial networks, equipped with an appropriate loss function that essentially leverages the distribution of the entire survey, can serve as an alternative approach for tackling compressive-sensing problems with high precision and in a computationally efficient manner. The method can be applied on both prestack and poststack seismic data, allowing for superior imaging quality with well-preconditioned and well-sampled field data, during the processing stage. To validate the robustness of the proposed approach on field data, the extent to which amplitudes and phase variations in original data are faithfully preserved is established, while subsurface consistency is also achieved. Several applications to acquisition and processing, such as decreasing bin size, increasing offset and azimuth sampling, or increasing the fold, can directly and immediately benefit from adopting the proposed technique. Furthermore, interpolation based on generative adversarial networks has been found to produce better-sampled data sets, with stronger regularization and attenuated aliasing phenomenon, while providing greater fidelity on steep-dip events and amplitude-variation-with-offset analysis with migration.

یادگیری عمیق برای تکنیک سنجش لرزش ۳ بعدی: یک رویکرد جدید

یک تکنیک سنجش فشرده مبتنی بر یادگیری برای بازسازی آثار لرزه‌ای گم شده‌است. چابکی رویکرد پیشنهادی در توانایی آن برای حل و فصل کامل بهینه‌سازی الگوریتم های مرسوم است که مشکلات معکوس را حل می‌کنند. این نشان می‌دهد که چگونه شبکه‌های خصمانه تولیدی، مجهز به یک تابع زیان مناسب که اساسا توزیع کل نظرسنجی را کاهش می‌دهد، می‌تواند به عنوان یک روش جایگزین برای برخورد با مسایل سنجش تراکم با دقت بالا و به روش محاسباتی موثر عمل کند. این روش را می توان در هر دو داده‌های لرزه‌ای prestack و poststack اعمال کرد، که این امکان را فراهم می‌آورد تا کیفیت تصویربرداری قوی با داده‌های می‌دانی چاه - preconditioned و داده‌های صحرایی به خوبی نمونه‌برداری شده در طول مرحله پردازش انجام شود. برای اعتبار سنجی نیرومندی روش پیشنهادی بر روی داده‌های میدان، تا حدی که دامنه‌های آن و تغییرات فازی در داده‌های اصلی به صورت وفادارانه حفظ شده‌اند، در حالی که ثبات زیر سطحی نیز به دست آمده‌است. کاربردهای متعددی برای کسب و پردازش، مانند کاهش اندازه سطل، افزایش آفست و سمت سمت، یا افزایش برابر، می‌توانند مستقیما و فوری از اتخاذ تکنیک پیشنهادی بهره‌مند شوند. علاوه بر این، درون یابی مبتنی بر شبکه‌های خصمانه مولد یافته شده‌است تا مجموعه‌های داده نمونه‌برداری بهتر را تولید کند، با regularization قوی‌تر و پدیده aliasing attenuated، در حالی که وفاداری بیشتر در مورد وقایع شیب - شیب و تحلیل افست با مهاجرت را ارایه می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Geology
  • ترجمه مقاله Geology
  • مقاله زمین‌شناسی
  • ترجمه مقاله زمین‌شناسی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.