«Автоматизация и информатизация ТЭК»

Обнаружение плоскостей тектонических нарушений методами самоконтролируемого обучения

УДК: 004.855.5
DOI: -

Авторы:

¹ Тюменский нефтяной научный центр, Тюмень, Россия
² Тюменский государственный университет, Тюмень, Россия

Ключевые слова: сейсмическая разведка, тектонические нарушения, машинное обучение, самоконтролируемое обучение, трансформеры, сегментация, нейронные сети

Аннотация:

В статье представлен новый метод самоконтролируемого обучения, адаптированный под структуру данных сейсморазведки. К особенностям метода можно отнести обучение модели решению двух предварительных задач: восстановления данных на каждом отдельном срезе и определения соседних срезов в сейсмическом кубе. Для обучения использовался набор из 100224 сейсмических изображений размером 128×128 пикселей, из которых 76800 были без разметки и использовались для самоконтролируемого обучения предложенным методом и методами DINOv2, SimMIM, SimCLR на архитектурах DeiT-S и SwinV2-Tiny. Оставшиеся 23424 изображения с метками, разделенные на тренировочную и тестовую выборки в соотношении 70 к 30 %, использовались для дообучения моделей контролируемым методом задаче обнаружения плоскостей тектонических нарушений, на которой проводилась оценка качества выученных представлений с помощью меры Сёренсена (Dice). Согласно результатам тестирования, предложенный метод достиг сравнимого качества с полностью контролируемым обучением, использовав на 60 % меньше размеченных данных, и на 15 % (DeiT-S) и 23 % (SwinV2-Tiny) превзошел его по качеству сегментации на всем объеме данных для выбранных архитектур, а существующие методы самообучения: SimCLR, SimMIM, DINOv2 в среднем на 6 % (DeiT-S) и 4 % (SwinV2-Tiny) относительно лучшего результата. Предложенное решение позволяет снизить зависимость от большого числа аннотированных примеров, подверженных субъективному мнению интерпретатора, увеличивает качество решения последующей задачи обнаружения разломов и создает универсальную модель для решения множества других задач интерпретации сейсмических данных.

Список литературы:

1. Муртазин Д.Г., Беляева А.С. Разработка модуля кластеризации амплитудных спектров на языке Python // Автоматизация и информатизация ТЭК. – 2021. – № 2(571). – С. 6–11. – DOI: 10.33285/0132-2222-2021-2(571)-6-11
2. Zhao Tao, Mukhopadhyay P. A fault detection workflow using deep learning and image processing // SEG Technical Program Expanded Abstracts 2018, Anaheim, CA, Oct. 16, 2018. – P. 1966–1570. – DOI: 10.1190/segam2018-2997005.1
3. Convolutional neural networks for fault interpretation in seismic images / Wu Xinming, Shi Yunzhi, S. Fomel, Liang Luming // SEG Technical Program Expanded Abstracts 2018, Anaheim, CA, Oct. 16, 2018. – P. 1946–1950. – DOI: 10.1190/segam2018-2995341.1
4. FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation / Wu Xinming, Liang Luming, Shi Yunzhi, S. Fomel // Geophysics. – 2019. – Vol. 84, Issue 3. – P. IM35–IM45. – DOI: 10.1190/geo2018-0646.1
5. Tiwari A. Supervised learning: From theory to applications // Artificial Intelligence and Machine Learning for EDGE Computing. – 2022. – Chapter 2. – P. 23–32. – DOI: 10.1016/B978-0-12-824054-0.00026-5
6. Automatic fault detection on seismic images using a multiscale attention convolutional neural network / Gao Kai, Huang Lianjie, Zheng Yingcai [et al.] // Geophysics. – 2022. – Vol. 87, Issue 1. – P. N13–N29. – DOI: 10.1190/geo2020-0945.1
7. MD Loss: Efficient Training of 3D Seismic Image Fault Segmentation Network Under Sparse Labels by Weakening Anomaly Annotation / Dou Yimin, Li Kewen, Zhu Jianbing [et al.] // IEEE Transactions on Geoscience and Remote Sensing. – 2022. – Vol. 60. – Article No. 5919014. – DOI: 10.1109/TGRS.2022.3196810
8. Automatic Geologic Fault Identification from Seismic Data Using 2.5D Channel Attention U-net / Lin Lei, Zhong Zhi, Cai Zhongxian [et al.] // Geophysics. – 2022. – Vol. 87, Issue 4. – P. 1–58. – DOI: 10.1190/geo2021-0805.1
9. Ziegler A., Asano Yu.M. Self-Supervised Learning of Object Parts for Semantic Segmentation // 2022 IEEE/CVF Conf. on Computer Vision and Pattern Recognition (CVPR), New Orleans, LA, USA, June 18–24, 2022. – P. 14502–14511. – DOI: 10.1109/CVPR52688.2022.01410
10. Monteiro B.A.A., Oliveira H., dos Santos J.A. Self-Supervised Learning for Seismic Image Segmentation from Few-Labeled Samples // IEEE Geoscience and Remote Sensing Letters. – 2022. – Vol. 19. – Article No. 8028805. – DOI: 10.1109/LGRS.2022.3193567
11. Zhang Zeren, Chen Ran, Ma Jinwen. Improving Seismic Fault Recognition with Self-Supervised Pre-Training: A Study of 3D Transformer-Based with Multi-Scale Decoding and Fusion // Remote Sensing. – 2024. – Vol. 16, Issue 5. – Article No. 922. – DOI: 10.3390/rs16050922