Fortschritte bei der Rauschreduzierung von seismischen Daten

Seismische Daten werden gesammelt, um das Erdinnere zu verstehen. Dabei sendet man oft Schallwellen in den Boden und zeichnet auf, wie sie zurückkommen. Manchmal nehmen diese Aufnahmen jedoch unerwünschte Geräusche auf, die es schwer machen, ein klares Bild von dem zu bekommen, was unter der Oberfläche liegt. Diese Störgeräusche können durch verschiedene Faktoren verursacht werden, wie Maschinen, Umweltbedingungen oder sogar natürliche Ereignisse.

Diese Geräusche zu unterdrücken, ist wichtig, weil sie zu Fehlern bei der Dateninterpretation führen können. Wenn Geräusche vorhanden sind, kann die Information, die Geophysiker suchen, verschleiert werden, was zu Unsicherheiten über unterirdische Strukturen, wie Öl- und Gaslagerstätten, führt. Daher ist es eine grosse Herausforderung, effektive Wege zu finden, um diese Geräusche zu reduzieren.

#Die Rolle der künstlichen Intelligenz bei der seismischen Rauschunterdrückung

Künstliche Intelligenz (KI) und maschinelles Lernen werden zunehmend eingesetzt, um Geräuschprobleme in seismischen Daten anzugehen. Diese Technologien können grosse Datenmengen analysieren und Muster finden, die mit traditionellen Methoden möglicherweise übersehen werden. Deep Learning, ein Teilbereich des maschinellen Lernens, ist besonders effektiv im Umgang mit komplexen Datensätzen wie seismischen Aufnahmen. Es kann aus Beispielen lernen und sich im Laufe der Zeit verbessern, was es nützlich macht, um Rauschen in seismischen Daten zu reduzieren.

Eine vielversprechende Methode ist das selbstüberwachte Lernen, das es einem System ermöglicht, aus den Daten selbst zu lernen, ohne dass ein separater Satz sauberer Daten zum Vergleich benötigt wird. Das ist besonders hilfreich bei der Verarbeitung seismischer Daten, wo oft nicht immer hochwertige saubere Daten für das Training verfügbar sind.

#Herausforderungen bei der selbstüberwachten Rauschunterdrückung

Obwohl Selbstüberwachtes Lernen grosses Potenzial zeigt, bringt es Herausforderungen mit sich, insbesondere im Umgang mit kohärentem Rauschen. Kohärentes Rauschen ist eine Art von Rauschen, das ein konsistentes Muster hat, was es schwieriger macht, herauszufiltern. Traditionelle Methoden erfordern oft Kenntnisse über die Geräuschcharakteristika, die nicht immer zugänglich sind.

Um dem entgegenzuwirken, suchen Forscher nach Möglichkeiten, KI besser zu nutzen, um das Rauschen zu verstehen. Indem sie aus den Daten selbst lernen, könnte es möglich sein, automatisierte Prozesse zur Rauschunterdrückung zu schaffen, ohne umfangreiche Vorkenntnisse über die Geräuschart zu benötigen.

#Erklärbare KI und ihre Bedeutung

Zu verstehen, wie KI Entscheidungen trifft, ist entscheidend, besonders in Bereichen wie der Geophysik. Erklärbare KI (XAI) hat das Ziel, die Entscheidungsprozesse von KI-Systemen transparenter zu machen. Das kann Forschern helfen zu wissen, welche Merkmale der Daten die Ausgaben der KI beeinflussen.

Im Kontext der seismischen Rauschunterdrückung kann XAI helfen, herauszufinden, welche Teile der Daten zum Rauschen beitragen. Durch die Analyse, wie die KI Eingabedaten verarbeitet und deren Vorhersagen beeinflusst, können Forscher den Prozess der Rauschunterdrückung optimieren und bessere Strategien für das Training von KI-Modellen entwerfen.

#Der Rauschunterdrückungs-Workflow

Der vorgeschlagene Workflow kombiniert selbstüberwachte Lerntechniken mit XAI, um die Rauschunterdrückung in seismischen Daten zu verbessern. Die folgenden Schritte umreissen den Prozess:

1. Erste Rauschunterdrückung: Zuerst wird ein Blind-Spot-Rauschunterdrückungsnetzwerk trainiert. In diesem Netzwerk werden einige Pixel in den Daten absichtlich beschädigt. Das Netzwerk lernt, den Wert dieser beschädigten Pixel basierend auf ihren Nachbarpixeln vorherzusagen. Dies lehrt das Netzwerk, wie man Rauschen herausfiltert.

2. Jacobian-Matrix-Analyse: Nach dem Training wird die Jacobian-Matrix berechnet. Diese Matrix hilft dabei zu analysieren, wie Veränderungen in den Eingabedaten die Vorhersagen des Netzwerks beeinflussen. Durch die Untersuchung der Jacobian-Matrix können Forscher herausfinden, welche Nachbarpixel einen starken Einfluss auf das zentrale Pixel haben, das vorhergesagt wird.

3. Maskenerstellung: Mithilfe der Informationen aus der Jacobian-Matrix werden Rauschmasken entworfen. Diese Masken bedecken Pixel, die als beitragend zum Rauschen identifiziert wurden. Indem diese Pixel während des Trainings eines neuen Netzwerks verborgen werden, kann es lernen, sich auf die relevanteren Daten zu konzentrieren.

4. Blind-Masken-Netzwerktraining: Ein neues Blind-Masken-Netzwerk wird mit den Rauschmasken trainiert. Dieses Netzwerk verwendet nur unmaskierte Pixel für Vorhersagen, was hilft, Rauschen effektiver zu unterdrücken.

5. Anwendung der Rauschunterdrückung: Schliesslich kann das trainierte Blind-Masken-Netzwerk auf neue seismische Daten angewendet werden. Das Netzwerk verarbeitet die Eingabedaten, ohne dass eine Vorverarbeitung oder spezifisches Wissen über das vorhandene Rauschen in den Daten erforderlich ist.

#Testen des Workflows mit synthetischen Daten

Um die vorgeschlagene Methode zu validieren, wird sie zuerst mit synthetischen Datensätzen getestet, die echte seismische Daten nachahmen. Diese synthetischen Datensätze enthalten verschiedene Arten von Rauschen, wie weisses gausssches Rauschen, zeitkorreliertes Rauschen, farbiges Rauschen und komplexeres pseudo-rig Rauschen.

Während der Tests konnte das anfängliche Blind-Spot-Rauschunterdrückungsnetzwerk das Rauschen in den synthetischen Datensätzen erfolgreich reduzieren. Die anschliessende Anwendung der Rauschmasken, die aus der Jacobian-Matrix-Analyse erstellt wurden, verbessert weiter die Fähigkeit des Netzwerks, Rauschen zu unterdrücken.

#Anwendung auf Felddaten

Nach erfolgreichen Tests mit synthetischen Daten wird der vorgeschlagene Workflow auf echte Felddaten angewendet, die aus seismischen Erhebungen gesammelt wurden. Die Felddatensätze zeigen unterschiedliche Grade von Nachverfolgen-Rauschen.

Der Workflow kann automatisch Rauschmasken identifizieren und das Blind-Masken-Netzwerk auf die Felddaten anwenden. Die Ergebnisse zeigen eine effektive Rauschunterdrückung, da die verarbeiteten Daten nur minimale Restgeräusche aufweisen. Dies hebt die allgemeine Anwendbarkeit der vorgeschlagenen Methode auf reale seismische Daten hervor.

#Anwendung auf Post-Stack-Daten

Der Workflow wird auch auf Post-Stack-Daten ausgeweitet, die erstellt werden, nachdem bereits eine Reihe von Verarbeitungsschritten auf die Rohseismikdaten angewendet wurde. In diesem Fall werden die gleichen Deep-Learning-Methoden genutzt, was zeigt, dass die entwickelten Techniken nicht auf die Frühverarbeitung beschränkt sind, sondern in verschiedenen Phasen der seismischen Datenverarbeitung breit angewendet werden können.

#Fazit

Die Kombination aus selbstüberwachtem Lernen und erklärbarer KI bietet ein kraftvolles Werkzeug zur Verbesserung der Rauschunterdrückung in seismischen Daten. Der vorgeschlagene Workflow ermöglicht effektive Rauschunterdrückung, ohne dass umfangreiche Vorkenntnisse über die Geräuschcharakteristika erforderlich sind, was ihn für ein breites Spektrum seismischer Anwendungen geeignet macht.

Indem man auf die Daten selbst setzt und fortgeschrittene KI-Techniken nutzt, können Forscher und Geophysiker die Qualität seismischer Daten verbessern, was zu besseren Interpretationen und Einsichten über das Erdinnere führt. Dieser automatisierte Ansatz verbessert nicht nur die Effizienz der seismischen Datenverarbeitung, sondern vereinfacht auch den Workflow für diejenigen, die im Feld arbeiten.