В настоящее время активный интерес проявляется к внедрению нейронных сетей в области интерпретации сейсмических данных. Например, для автоматической корреляции горизонтов и тектонических нарушений, прогноза коллекторских свойств, выделения геологических объектов. Последнее направление представляется особенно интересным с точки зрения объектно-ориентированной интерпретации. Стандартные интерпретационные подходы во многом субъективны и требуют значительных временных затрат. Использование нейронных сетей для оконтуривания объекта позволяет придать процессу интерпретации большую объективность и подготовить объект для последующего морфометрического анализа.
В статье рассмотрено применение нейронных сетей для идентификации палеоканалов в процессе интерпретации сейсмических данных и генерации изображений их концептуальных геологических моделей. Палеоканалы являются наилучшим объектом для тестирования новых подходов, так как имеется возможность спроецировать знания об особенностях современного речного седиментогенеза, морфологии рек, закономерностях их развития во времени и в пространстве на события, запечатленные в геологической истории, ссылаясь на метод «актуализма» Чарлза Лайеля. Проанализированы два методических подхода. Первый подход заключается в применении алгоритмов компьютерного зрения и алгоритма Holistically Nested Edge Detection, работающего на модели глубокого обучения с использованием сверточной нейронной сети. Данные алгоритмы апробированы на примере цветовых изображений результатов спектральной декомпозиции и изображений, полученных по технологии eXchroma, на которых в процессе интерпретации идентифицированы палеоканалы. Второй подход состоит в применении нейросетей для генерации изображений по текстовому описанию. Протестированы такие популярные сети как Midjourney, Problembo, Kandinsky. Такой подход позволит генерировать изображения при поиске аналогов разработанных седиментационных моделей. Развитие методов выделения русел с помощью нейронных сетей и генерации изображений возможных седиментационных аналогов представляется крайне перспективным направлением.
Список литературы
1. scikit-image: image processing in Python / S. van der Walt, J.L. Schonberger, J. Nunez-Iglesias et al. // PeerJ. – 2014. – No 2. - https://doi.org/10.7717/peerj.453
2. VEdge_Detector: automated coastal vegetation edge detection using a convolutional neural network / M.S.J. Rogers, M. Bithell, S.M. Brooks, T. Spencer. – https://doi.org/10.1080/01431161.2021.1897185
3. Xie S., Tu Z. Holistically-Nested Edge Detection // Int J Comput Vis. – 2017. – V. 125. – Р. 3-18. – https://doi.org/10.1007/s11263-017-1004-z
4. Алексеева П.А., Калугин А.А., Кирьянова Т.Н. Выделение палеорусел в отложениях тюменской свиты с использованием нейронной сети по данным сейсморазведки 3D // Геофизика. – 2022. – № 3. – С. 9-15.
5. Диагностика морфогенетических типов палеоканалов на основе параметризации сейсмообразов / Т.В. Ольнева, Е.А. Жуковская, М.Ю. Орешкова, Д.А. Кузьмин // Геофизика. – 2022. – № 2. – С. 17-25.
