Сегодня в нашей серии статей о рабочих процессах машинного обучения мы возвращаемся к истокам платформы машинного обучения OpendTect. OpendTect начал свою жизнь как система распознавания сейсмических паттернов и обработки атрибутов на основе нейронной сети. Основной целью исходной системы было создание Chimney cube для интерпретации путей миграции флюидов. Программное обеспечение использовалось для интерпретации опасностей, связанных с геологической средой, а также для снижения риска возникновения проблем с углеводородными утечками и непроницаемостью разломов.

На видео показано исследование интерпретации дымохода в Мексиканском заливе, проведенное Roar Heggland из Equinor.

Тело соляного купола извлекается с помощью 2D-Unet с использованием рабочего процесса, описанного в предыдущем посте этой серии https://lnkd.in/e3v7PhxN. Аномалии визуализируются с атрибутом энергии в модуле просмотра объема.

Горизонт над неглубокой аномалией представляет собой RGB-смешивание трех спектральных компонентов. Альфа-канал показывает среднеквадратичное значение атрибута Thinned Fault Likelihood. Chimney Cube создан с контролируемым подходом к обучению. Полностью подключенный многослойный персептрон обучается на атрибутах, извлеченных в выбранных пользователем местах “миграции” и “не миграции”. На видео показано, как это делается.

Автор: Paul de Groot из dGB Earth Sciences

#OpendTect #ai #machinelearning #seismic #geoscience #geophysics #geology