تخمین مدلهای الاستیک زیرسطحی با استفاده از داده های ژئوفیزیکی و هوش مصنوعی
به گزارش راستابلاگ، اصفهان امواج مکانیکی یکی از ابزارهای اصلی برای مطالعه محیط هایی هستند که دسترسی مستقیم به آنها ممکن نیست. در صنعت لرزه نگاری، از این امواج برای تصویرسازی زیرسطحی زمین و محاسبه خواص الاستیک لایه های زمین استفاده می شود. این فرایند شباهت زیادی به روش های مورد استفاده در سونوگرافی پزشکی دارد که هدف آن تصویرسازی از بافت های داخلی بدن است.
قسمتی از انرژی این امواج که توسط منابع مصنوعی مانند لرزه نگارها و انفجار یا منابع طبیعی تولید می شوند، بعد از برخورد با لایه های مختلف زمین بازتاب پیدا می کنند. داده های حاصل از این بازتاب ها توسط آرایه گیرنده هایی که در سطح زمین چیده شده اند، ثبت شده و پردازش می شوند تا تصویری ساختار زیرسطحی زمین ایجاد شود. هدف در این مرحله، شناسایی موقعیت لایه ها، مرزهای آنها و ساختارهای احتمالی مانند گسل ها، چین ها و تله های ساختاری است که محل تجمع ذخایر طبیعی مثل مخازن نفت و گاز است.
در همین راستا محققان موسسه ژئوفیزیک دانشگاه هران با استفاده از روش های یادگیری عمیق، راهکاری برای غلبه بر این چالش ها عرضه کرده اند که قادر به تخمین خواص الاستیک زیر سطحی با دقت بالایی در رویارویی با داده های مصنوعی و واقعی است که در همین خصوص گفت و گویی با مهدی سعادت، دانشجوی دکتری رشته ژئوفیزیک که یکی از محققان این پژوهش است داشتیم که در ادامه حاصل این گفتگو را می خوانید.
چه مشکلاتی در مدل سازی خواص الاستیک زیرسطحی وجود دارد که شما را به استفاده از روش های یادگیری عمیق سوق داد؟
یک مشکل اساسی در مدل سازی خواص الاستیک، حجم بالا و زمان بر بودن محاسبات است. روش های یادگیری عمیق مبتنی بر داده (Data Driven) در مرحله پیشبینی قادر هستند به سرعت مدل را تخمین بزنند و نیازمند مدل اولیه برای فرایند وارون سازی نیستند. البته دقت آنها وابسته به تعمیم پذیر بودن تابع نگاشت یادگیری شده در فرایند آموزش است. این در شرایطی است که روش های یادگیری عمیق مبتنی بر فیزیک (Physics Driven)، زمان بیشتری برای پیشبینی مدل لازم دارند اما استفاده از فیزیک مساله، تعمیم پذیری آنها را تا حد زیادی بهبود می بخشد. این شبکه ها چون از محاسبات موازی مبتنی بر پردازنده گرافیکی استفاده می نمایند، نسبت به روش های وارون سازی عادی چند صد برابر سریع تر هستند. روش های بهینه سازی مختص یادگیری عمیق، آنها را قادر می سازد که خویش را از مدلهای بهینه محلی برهانند. با ترکیب این دو روش میتوان از مزیت های هر دو بهره برد و بر چالش های وارون سازی شکل کامل موج غلبه کرد.
در این پروژه، داده های ژئوفیزیکی چگونه جمع آوری و پردازش می شوند تا بتوانند مدل سازی دقیقی ایجاد کنند؟
جمع آوری و پردازش داده های ژئوفیزیکی به صورت معمول از چشمه های تولید موج مانند ماشین های وایبروسایز یا انفجار برای ایجاد امواج لرزه ای استفاده می شود و پس از جمع آوری داده ها، چندین مرحله پردازشی روی آنها اعمال می شود تا مناسب برای ورود به فرایند یادگیری ماشین شوند. این مراحل شامل فیلتر نویز و اثرات ناخواسته، همسان سازی داده، استخراج خصوصیت و ساخت مدل اولیه است.
چه نوع الگوریتم های یادگیری عمیقی در این پژوهش به کار گرفته شده اند و چرا این الگوریتم ها مناسب ترین انتخاب بودند؟
در این پژوهش از روش های یادگیری عمیق مبتنی بر داده و مبتنی بر فیزیک برای تخمین خواص الاستیک زیر سطحی از داده های ژئوفیزیکی استفاده شده است. در بخش مبتنی بر داده، تمرکز بر خصوصیت تصویر بودن (دو بعدی و سه بعدی بودن) داده لرزه ای بوده است، ازاین رو از معماری های کانولوشنی(CNN) استفاده شده است، البته این معماری ها با عنایت به خصوصیت های منحصر بفرد داده لرزه ای شخصی سازی شده اند و از مفاهیم مهندسی ویژگی، پیش پردازش داده ها و دخالت اطلاعات مختلف در اطلاعات ورودی استفاده شده است و با طراحی یک تابع هدف خلاقانه که شامل جمله شاخص شباهت ساختاری(SSIM) است، کارآمدی این شیوه را به حداکثر رساندیم. در بخش استفاده از روش های یادگیری عمیق مبتنی بر فیزیک برای تخمین خواص الاستیک زیر سطحی، تاکید بر خصوصیت سری زمانی بودن داده لرزه ای بوده است، ازاین رو در اینجا از شبکه های بازگشتی(RNN) برای وارون سازی شکل موج کامل استفاده شده است. استفاده از فیزیک مساله در یادگیری خواص الاستیک بوسیله شبکه های عصبی عمیق باعث افزایش تعمیم پذیری شبکه شده و دغدغه احتیاج به حجم زیاد داده برای یک آموزش تعمیم پذیر را برطرف می سازد.
نتایج این پژوهش چه میزان دقت و تفکیک پذیری را در تخمین خواص الاستیک عرضه می دهد و چگونه با روش های سنتی مقایسه می شود؟
روش وارون سازی شکل موج کامل بعنوان روشی شناخته می شود که بیشترین قدرت تفکیک را در مدلهای حاصله پدید می آورد. داده لرزه ای شامل اطلاعات زمان رسید بازتاب ها، دامنه و فاز آنها است. در روش هایی همچون توموگرافی فقط از اطلاعات زمان رسید برای تخمین مدلهای زیر سطحی استفاده می شود، اما در این شیوه، کل موج کامل و همه اطلاعات آن برای این منظور استفاده می شود که باعث افزایش قدرت تفکیک و البته بروز چالش های گوناگونی هم می شود. به صورت کلی طبق مباحث نظری (تئوری)، قدرت تفکیک مدل از یک حد مشخص نمی تواند بالاتر برود، همینطور کاهش اندازه سلول های مدل هزینه محاسباتی گزافی بر فرایند وارونسازی تحمیل می کند. از طرفی خود ساختار زمین شناسی و هندسه برداشت داده و ابزارآلات ارسال و ثبت داده هم اهمیت دارند و امکان دارد حساسیت تابع هدف نسبت به برخی ساختارها و توزیع پوشش پرتو در خلال مدل متغیر باشد. با درنظر گرفتن همه عوامل فوق مقداری بهینه برای ابعاد سلول ها و کمترین ضخامت قابل تفکیک محاسبه می شود.
آیا این شیوه در پروژه های عملی مانند اکتشاف منابع نفتی مورد آزمایش قرار گرفته است؟ در این صورت، نتایج چگونه بوده اند؟
آزمایش در پروژه های عملی مانند اکتشاف نفت و نتایج آن به صورت معمول زمانیکه یک روش نوین تخمین مدل عرضه می شود، ابتدا روی داده های مصنوعی اعمال می شود. علت این کار در این مورد نهفته است که مدل متناظر با چنین داده ای، موجود و کاملا شناخته شده است و میتوان مدل بازسازی شده بوسیله روش نوین را با مدل اصلی مقایسه کرد، ازاین رو ما در این پژوهش ابتدا روش پیشنهادی را روی داده های مصنوعی اعمال کردیم که نتایج مطابقت و همبستگی بالایی را با مدلهای اصلی نشان دادند. البته محدود کردن نتایج به داده مصنوعی نمی تواند قابلیت یک روش را نشان دهد و مهم می باشد که روش پیشنهادی در رویارویی با داده واقعی و چالش های دنیای واقعی هم بتواند قابلیت های خویش را بروز دهد. از آنجائیکه داده های میادین نفتی و بخصوص داده های لرزه نگاری جزء داده های استراتژیک و محرمانه کشور هستند و اجازه انتشار آنها در مجلات بین المللی وجود ندارد و امکان استفاده از داده های داخلی برای تحقیقات دانشگاهی در این حوزه وجود ندارد.
انجمن ژئوفیزیک دانان اکتشافی(SEG) کتابخانه مفصلی از داده های متن باز از سراسر دنیا در اختیار محققان قرار داده است تا بتوانند روش های نوین خویش را بر روی این داده ها آزمایش نمایند.، ازاین رو ما روش پیشنهادی خویش را بر یک مجموعه داده از دریای شمال اعمال کردیم و مقایسه نتایج کار با نگاره های موجود در چاه های منطقه حاکی از دقت بالای روش پیشنهادی در تخمین خواص الاستیک در این ناحیه بوده است و نتایج آن به زودی در یکی از مجلات معتبر حوزه ژئوفیزیک در سطح بین الملل به چاپ خواهد رسید.
چگونه میتوان از این مدل سازی در بهبود روش های اکتشاف و کاهش هزینه های مرتبط استفاده کرد؟
تأثیر در بهبود روش های اکتشاف و کاهش هزینه ها استفاده از روش های دارای قدرت تفکیک بالا می تواند نواحی مستعد شامل تله های ساختاری و چینه ای را با دقت بالایی شناسایی کند و در اکتشاف منابع هیدروکربوری جدید و همینطور تعیین محدوده مخازن در میادین موجود کمک کننده باشد و احتیاج به حفاری های اضافی را کم کند، همینطور در تعیین مناطق پر خطر مثل نقاط پرفشار می توانند ریسک حفاری را کاهش دهند و از این طرق هزینه های اضافی را کاهش داده و در براورد منابع، مورد استفاده قرار گیرند.
چه موانعی در توسعه و به کارگیری این فناوری در مقیاس صنعتی وجود دارد و آیا برنامه ای برای غلبه بر آنها دارید؟
یکی از موانع احتیاج به قدرت پردازشی بالا یعنی استفاده از تکنولوژی های محاسبات ابری و سخت افزارهای بهینه شده مانند GPU/TPU و دیگری مقاومت سازمانی برگزاری کارگاه های آموزشی و نشان دادن ارزش افزوده این شیوه ها می تواند پذیرش آنها را افزایش دهد.
این روش ها چه پتانسیلی برای کاربرد در دیگر حوزه های علمی و صنعتی مانند معدن کاری یا مدیریت آب دارند؟
پتانسیل کاربرد در حوزه های دیگر این شیوه ها می توانند در خیلی از حوزه های دیگر کاربرد داشته باشند، همچون معدن کاری برای شناسایی ذخایر معدنی با دقت بالا، مدیریت منابع آب برای تخمین خواص الاستیک آبخوان ها و بهبود مدیریت منابع آبی، مهندسی عمران در ارزیابی خطرات لرزه ای و طراحی سازه های ایمن.
خبرنگار: مریم ترک زاد
منبع: راستابلاگ
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب