| Popis: |
В данной работе решаются обратные задачи сейсморазведки в средах с однородно ориентированными трещиноватыми включениями с применением сверточных нейронных сетей. Выбор данного вида нейронных сетей определен большой размерностью массива данных. Построение обучающей выборки из прямых задач для обучения нейронной сети осуществляется с помощью математического моделирования. Для численного решения прямых задач был взят сеточно-характеристический метод на неструктурированных сетках. Выбор численного метода обусловлен волновой природой изучаемых динамических процессов, которая хорошо учитывается сеточно-характеристическим методом. Данный подход хорошо зарекомендовал себя при построении корректных вычислительных алгоритмов для граничных и контактных условий, в частности, для задания дискретного массива трещин. Целью работы является определение характеристик одиночной трещины и пластов таких трещин. Была успешно решена обратная задача сейсморазведки для пласта трещин с шестью неизвестными параметрами: высота и угол наклона трещин, плотность расположения трещин, горизонтальная протяженность пласта и его пространственное положение в 2D. В процессе обучения нейронной сети и распознавания элементов валидационной выборки, помимо данных о скоростях колебаний в массиве сейсмических данных, на вход сети также подавался их частотный спектр. In this paper, we solve inverse problems of exploration seismology in rocks with uniformly oriented fractured inclusions using convolutional neural networks. This type of neural network was chosen due to the large dataset. We used simulation to build a neural network training sample from the direct problem results. For the numerical solution of direct problems, a grid-characteristic method was applied to unstructured meshes. This numerical method was used since the studied dynamic processes are of wave nature, which is very suitable for the grid-characteristic method. This approach is proven in building correct computational algorithms for boundary and interface conditions, in particular, for defining discrete fracture arrays. The problem statement is to determine the characteristics of a single fracture and layers of such fractures. The inverse exploration seismology problem for a fractured layer with six unknown parameters was successfully solved. These parameters are the height and angle of inclination of the fractures, the density of the fractures, the horizontal extent of the formation, and its 2D position. The vibration velocities in the seismic data array and the frequency spectra were inputs for the neural network training and validation sample recognition. |
