【儀表網 儀表研發】人工神經網絡(ANN)在數據驅動的自然和信息科學研究領域如圖像圖形學、材料、生物學和醫學、天文地理以及地球科學)的應用發展迅速。在勘探地球物理學中，大部分此類研究均可視為可視化圖像分類或分割問題。如地質學家使用地震反射數據圖像對地下沉積單元或油氣藏進行分類，并識別斷層、裂縫或鹽體等不連續地質結構。
人工神經網絡可學習此類圖像中的形態模式，其中許多是基于現行的卷積神經網絡(CNN)，CNN是專門針對計算機視覺中與圖像相關任務而設計的。與視覺圖像相比，地震反射信號具有本質上的不同：稀疏信號極性變化及有限帶寬。地質特征的地震響應在波傳播路徑、頻率、幅度和極性方向方面也有所不同。因此，基于數據驅動的ANN地震解釋研究是高維稀疏信號的復雜映射問題。
中國科學院地質與地球物理研究所博士后耿智與合作導師、研究員王彥飛，提出基于數據驅動的、能進行地震數據分類的、自動搜索神經網絡架構(SeismicPatchNet，SPN)。假設嵌入在勘探地震數據中的關鍵信號特征可以被ANN捕獲，描述其參數則少于CNN架構。研究人員設計了具有特定地震振幅序列的概念性信號斑塊，以海洋天然氣水合物為例，這些信號類似于水合物的關鍵地震反射；考慮將各種復雜的破壞方法應用于上述信號，以生成用于搜索的特定CNN架構的積極數據集。
該神經網絡架構通過分解網絡內核以減少參數量并匯總相反的采樣特征來保持極性信息，應用高性能圖形處理單元(GPU)通過反問題正則化建模和隨機搜索算法獲得終的網絡架構SPN。該研究構成了第一個以數據為驅動的、設計具有高效計算能力的CNN，旨在從稀疏信號處理的角度對地震數據進行端到端解釋。
研究人員通過對比標準神經網絡模型發現，該研究的神經網絡架構參數存儲量約為VGG-16架構的0.5%；SPN的預測速度比ResNet-50快近18倍，在識別海底天然氣水合物資源指標似海底反射(BSR)方面顯示出優勢。顯著性映射表明，該研究提出的架構捕捉了關鍵特征，顯示出以低計算成本進行多個地震數據集端到端解釋的前景。
相關研究成果以Automated design of a convolutional neural network with multi-scale filters for cost-efficient seismic data classification為題，發表在Nature Communications上。研究工作得到中科院從0到1原始創新項目、地質地球所重點部署項目和國家重點研發計劃項目的資助。
所有評論僅代表網友意見，與本站立場無關。