Binary Segmentation of Seismic Facies Using Encoder-Decoder Neural Networks
Universidade do Vale do Rio dos Sinos(南里奥格兰德河谷大学)
在地质研究领域,地震资料的解释对于描述沉积物的形状至关重要。在地震解释中,深度学习对于减少对手工相分割几何形状的依赖以及研究地质区域所需的时间变得非常有用。这项工作提出了一种用于相分割的深度神经网络(DNFS),以获得最先进的地震相分割结果。DNFS使用交叉熵和Jaccard损失函数的组合进行训练。我们的研究结果表明,DNFS获得非常详细的预测地震相分割使用更少的参数比StNet和U-Net。
2020-11-15 cs.CV cs.LG eess.IV
Unsupervised seismic facies classification using deep convolutional autoencoder
School of Earth and Planetary Sciences(地球与行星科学学院);Curtin University(科廷大学);Oil and Gas Innovation Centre(油气创新中心)
随着地震勘测的规模和复杂性的增加,地震相的手动标记已成为一个重大挑战。应用自动化方法进行地震相解释可以显著减少传统方法中的人工劳动和特定解释者的主观性。最近出现的一组方法基于深度神经网络。这些方法是数据驱动的,需要大型标记数据集进行网络训练。我们将深度卷积自动编码器应用于无监督地震相分类,这不需要手动标记的示例。通过对从输入数据获得的深度特征向量进行聚类来生成相图。我们的方法在实际数据上产生准确的结果,并即时提供。所提出的方法开辟了在没有人为干预的情况下实时分析地质模式的可能性。
2020-08-05 cs.CV cs.LG eess.IV
Automatic Seismic Salt Interpretation with Deep Convolutional Neural Networks
高精度识别盐体是地震反射成像的关键任务之一。传统上,这是通过视觉选择盐/沉积物边界来完成的,这需要大量的手工工作,并可能引入系统性偏差。随着深度学习算法的最新进展和计算能力的不断增长,人们已经做出了大量努力,在盐体解释中用机器力量取代人类的努力。卷积神经网络(CNN)方法是计算机视觉领域的一场革命,是图像分析领域的一个研究热点。在本文中,基于CNN的分类的好处是通过使用一个国家的最先进的网络结构U-Net,以及剩余学习框架ResNet,以高精度描绘盐体。网络调整,包括指数线性单位(ELU)激活函数,Lovász-Softmax损失函数,分层$K$折叠交叉验证,已部署,以进一步提高预测精度。利用SEG高级模拟(SEAM)资料进行的初步结果表明,预测的盐体与人工解释的盐体吻合较好,特别是在反射较弱的地区。这表明了CNN在盐相关解释中的巨大潜力。
2018-11-24 cs.LG physics.geo-ph stat.ML
AdaSemSeg: An Adaptive Few-shot Semantic Segmentation of Seismic Facies
Scientific Computing and Imaging Institute(科学计算与成像研究所);Kahlert School of Computing(卡勒特计算学院);The University of Utah(犹他大学)
针对现有小样本语义分割方法无法适配类别数量变化的缺陷,提出 AdaSemSeg 方法,采用自监督算法初始化骨干网络,在三个地震岩相数据集上训练后,其在未见过的数据集上性能优于基线方法。
2026-08-25 cs.CV cs.LG
Semantic Segmentation of Seismic Images
IBM Research(IBM研究院);PUC-Rio(里约热内卢天主教大学)
几乎所有大规模了解地球地下的工作都依赖于专家对地震勘测的解释,他们将勘测(通常是立方体)划分为层;这是一个非常耗时的过程。在本文中,我们提出了一种新的深度神经网络架构,专门用于以最少的训练数据对地震图像进行语义分割。为了实现这一点,我们使用转置残差单元来取代解码块的传统扩张卷积。此外,我们的网络没有使用预定义的形状进行放大,而是学习了从编码器放大特征的所有步骤。我们使用Penobscot 3D数据集训练我们的神经网络;加拿大新斯科舍省近海采集的真实地震数据集。我们将我们的方法与两种著名的深度神经网络拓扑:全卷积网络和U-Net进行了比较。在我们的实验中,我们表明,我们的方法可以实现超过99%的平均交集超过联盟(mIOU)度量,优于现有的拓扑结构。此外,我们的定性结果表明,所获得的模型可以产生面具非常接近人类的解释非常少的不连续性。
2019-05-10 cs.LG eess.IV
Netherlands Dataset: A New Public Dataset for Machine Learning in Seismic Interpretation
IBM Research(IBM研究院)
机器学习,更具体地说,深度学习算法在过去几年中的普及和实用性都有了显著的增长。这可以说是由于三个主要因素:强大的计算机,训练更深层次网络的新技术和更大的数据集。虽然前两个在现代计算机和ML库中很容易获得,但最后一个仍然是许多领域的挑战。事实上,大数据在当今几乎所有领域都是现实,地球科学也不例外。然而,为了实现ImageNet等通用应用程序的成功-对于1000个目标类有超过1400万个标记图像-我们不仅需要更多的数据,我们还需要更多高质量的标记数据。当涉及到石油和天然气行业时,保密问题阻碍了数据集的共享。在这项工作中,我们提出了荷兰的解释数据集,地震解释的机器学习的发展的贡献。荷兰F3数据集采集在荷兰近海北海进行。这些数据是公开提供的,包括叠后数据、8个层位和4口井的测井记录。为了我们的机器学习任务,重新解释了原始数据集,生成了9个层位,将不同的地震相间隔分开。解释的层位用于生成大约190,000个内联和交叉线的标记图像。最后,我们介绍了两个深度学习应用程序,其中使用了所提出的数据集,并产生了令人信服的结果。
2019-03-26 cs.CV cs.LG physics.geo-ph
Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures
Northeastern University(东北大学);Lawrence Berkeley National Lab(劳伦斯伯克利国家实验室);Renmin University of China(中国人民大学)
本文提出一种物理信息机器学习(PiML)方法,结合模型降阶、小波分析、LSTM网络与牛顿第二定律,将物理约束融入深度神经网络,以稀疏数据准确预测非线性钢抗弯框架结构的地震响应,提升了模型的准确性、可解释性和鲁棒性。
2024-04-29 cs.LG physics.app-ph
POSEIDON: Physics-Optimized Seismic Energy Inference and Detection Operating Network
Department of Computer Science \& Engineering Hong Kong University of Science;Faculty of Engineering \& Information Technology University of Technology Sydney Sydney, New South Wales, Australia
POSEIDON通过融合物理原理的能量模型,实现统一的多任务地震预测,优于现有方法,提升预测准确性并提供科学可解释的参数。
2026-01-05 cs.LG
Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation
Oxaala Tecnologias(Oxaala技术公司);Geophysics Institute, Federal University of Bahia (UFBA)(巴西巴伊亚联邦大学地球物理研究所);Petrobras – Petróleo Brasileiro S.A.(巴西国家石油公司);Geological Survey of Brazil – Superintendência de Salvador(巴西地质调查局——萨尔瓦多办公室)
本文提出混合上下文融合注意力U-Net与聚类方法,用于提升地震层面解释的鲁棒性和精度。
2025-11-28 cs.LG eess.IV physics.geo-ph
Explaining How Deep Neural Networks Forget by Deep Visualization
KAIST(韩国科学技术院);Asan Institute for Life Sciences(峨山生命科学研究所);Asan Medical Center(峨山医学中心)
解释深度神经网络(通常被认为是黑匣子)的行为至关重要,尤其是当它们现在被应用于人类生活的各个方面时。利用可解释机器学习(interpretable ML)的优势,提出了一种新的工具灾难性遗忘解析器(CFD),用于解释持续学习环境下的灾难性遗忘。我们还介绍了一种新的方法,称为临界冻结的基础上,我们的工具的观察。ResNet上的实验阐明了灾难性遗忘是如何发生的,特别是显示了这个著名网络的哪些组成部分正在遗忘。我们的新的持续学习算法击败了各种最近的技术的显着保证金,证明了调查的能力。临界冻结不仅攻击了灾难性遗忘,而且还暴露了可解释性。
2022-07-22 cs.CV cs.LG
Sequential Learning and Catastrophic Forgetting in Differentiable Resistor Networks
Mathematics Applications Consortium for Science and Industry (MACSI), Department of Mathematics and Statistics, University of Limerick, Limerick, Ireland(数学应用科学与工业联盟(MACSI)、数学与统计学系、利默里克大学、利默里克、爱尔兰)
研究可微电阻网络中可序列学习与灾难性遗忘现象,通过任务冲突和适应度调整揭示物理机制,展示拓扑结构对遗忘-适应平衡的影响。
2026-05-02 cond-mat.dis-nn cs.LG physics.comp-ph
Dissecting Catastrophic Forgetting in Continual Learning by Deep Visualization
KAIST(韩国科学技术院);Ansan Institute for Life Sciences, Ansan Medical Center(安山医疗中心安山生命科学研究所)
解释深度神经网络(通常被认为是黑盒)的行为至关重要,特别是当它们现在被广泛应用于人类生活的各个方面时。借鉴可解释人工智能的研究成果,提出了一种新的技术Auto DeepVis,用于分析持续学习中的灾难性遗忘。在利用Auto DeepVis对这一困境进行研究的基础上,提出了一种新的处理灾难性遗忘的方法--临界冻结法。对字幕模型的实验细致地展示了灾难性遗忘是如何发生的,特别是显示了哪些组件正在遗忘或发生变化。然后评估我们的技术的有效性;更准确地说,临界冻结要求在基线上对先前和未来的任务进行最佳性能,证明了调查的能力。我们的技术不仅可以补充现有的解决方案,完全消除终身学习的灾难性遗忘,而且可以解释。
2020-01-07 cs.LG stat.ML
Seismic-Net: A Deep Densely Connected Neural Network to Detect Seismic Events
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
大规模地质固碳的风险之一是流体可能从储存地层中迁移出来。由于地下的不确定性和复杂的控制物理,准确和快速地检测这种流体迁移不仅重要,而且具有挑战性。传统的泄漏检测和监测技术依赖于包括地震在内的地球物理观测。然而,这些方法所产生的准确性是有限的,因为它们提供的间接信息需要专家的解释,从而产生不准确的估计泄漏率和位置。在这项工作中,我们开发了一种新的机器学习检测包,名为“地震网络”,它是基于深度密集连接的神经网络。为了验证我们提出的泄漏检测方法的性能,我们采用我们的方法在新墨西哥州奇马约的一个自然模拟站点。数据集中的地震事件是由于间歇泉的喷发而产生的,间歇泉的喷发是由于$\mathrm{CO}_\mathrm{2}$的泄漏。特别是,我们证明了我们的地震网络的有效性,制定我们的检测问题作为一个事件检测问题的时间序列数据。一个固定长度的窗口在整个时间序列数据中滑动,我们构建了一个深度密集连接的网络来对每个窗口进行分类,以确定是否包括间歇泉事件。通过我们的数值测试,我们表明,我们的模型达到精确率/召回率高达0.889/0.923。因此,我们的地震网具有探测$\mathrm{CO}_\mathrm{2}$泄漏的巨大潜力。
2018-01-17 cs.CV cs.LG eess.SP
Seismic Velocity Inversion from Multi-Source Shot Gathers Using Deep Segmentation Networks: Benchmarking U-Net Variants and SeismoLabV3+
Australian Computer Society(澳大利亚计算机学会)
本研究基准测试U-Net、U-Net++、DeepLabV3+及优化变体SeismoLabV3+用于地震速度反演,后者以ResNeXt50骨干和任务修改取得最佳MAPE(验证0.03025,测试0.031246),证明深度分割网络有效且定制改进有价值。
2025-09-07 cs.AI cs.LG physics.geo-ph
Multi-task multi-station earthquake monitoring: An all-in-one seismic Phase picking, Location, and Association Network (PLAN)
University of Science and Technology of China(中国科学技术大学);China University of Geosciences(中国地质大学)
提出一种图神经网络PLAN,直接处理多台站地震数据,通过融入台站间和任务间物理关系,首次实现震相拾取、关联与定位的自洽一体化,在多个地区表现优于现有深度学习方法。
2023-06-24 cs.LG physics.geo-ph
Bayesian three-dimensional seismic travel-time tomography for active- and passive-source seismic data using physics-informed neural network
Japan Agency for Marine-Earth Science and Technology(日本海洋地球科学与技术机构);Earth Science New Zealand(新西兰地球科学研究所)
提出一种结合物理信息神经网络与函数空间粒子变分推断的无网格贝叶斯三维走时层析成像方法,有效处理主动源和被动源数据,并通过合成实验和实际数据验证其地质特征分辨能力和不确定性量化效果。
2026-06-23 cs.LG physics.geo-ph
CIP-Net: Continual Interpretable Prototype-based Network
CIP-Net是一种无需存储示例的自我可解释原型模型,通过简单架构实现持续学习中的高性能与低开销。
2025-12-08 cs.CV cs.LG
S2S-WTV: Seismic Data Noise Attenuation Using Weighted Total Variation Regularized Self-Supervised Learning
Xi’an Jiaotong University(西安交通大学)
本文提出 S2S-WTV,在 Self2Self 自监督框架中引入按道掩码与加权全变分正则化,并用 ADMM 求解,仅依赖含噪数据即可稳健去噪并保持信号边缘。
2022-12-27 cs.LG eess.SP
Semi-supervised Sequence Modeling for Elastic Impedance Inversion
Georgia Institute of Technology(佐治亚理工学院)
机器学习算法在地震领域的最新应用在不同领域(如地震反演和解释)显示出巨大的潜力。然而,这样的算法很少执行地球物理约束-缺乏地球物理约束可能导致不期望的结果。为了克服这个问题,我们已经开发了一个半监督序列建模框架的基础上,递归神经网络的弹性波阻抗反演从多角度地震资料。具体地,地震道和弹性阻抗(EI)道被建模为时间序列。然后,使用包括卷积和递归神经层的基于神经网络的反演模型来反演用于EI的地震资料。建议的工作流程使用测井数据来指导反演。此外,它使用地震正演建模来正则化训练,并作为反演的地球物理约束。建议的工作流程实现了98%的估计和目标EI之间的平均相关性,使用10个测井曲线上的合成数据集进行训练。
2019-08-19 cs.LG eess.SP physics.geo-ph
Seismic Acoustic Impedance Inversion Framework Based on Conditional Latent Generative Diffusion Model
GeoAI-INV
针对现有扩散模型反演方法的局限,提出基于条件潜在生成扩散模型的地震声阻抗反演框架,通过小波模块与模型驱动采样策略提升精度、减少步骤,在合成与实际数据上均表现良好。
2026-08-25 cs.AI cs.LG
An AI-assisted conditioning and geological interpretation workflow for usage in implicit geological modeling
TNO Netherlands Organisation for Applied Scientific Research(荷兰应用科学研究组织);Fraunhofer IEG, Fraunhofer Institution for Energy Infrastructures and Geotechnologies(弗劳恩霍夫能源基础设施与地热技术研究所)
本研究在Horizon Europe项目中开发AI辅助地震数据解译工具包,通过自监督对比学习CNN降噪及半自监督层位断层解译,加速隐式建模,并在荷兰三维地震数据中成功验证。
2026-10-08 cs.AI cs.LG physics.geo-ph
Two Instances of Interpretable Neural Network for Universal Approximations
Alibaba Inc(阿里巴巴公司);Nanyang Technological University(南洋理工大学)
本文提出了两种自底向上的可解释的神经网络(NN)结构,即三角构造的NN(TNN)和半量化激活NN(SQANN)的通用近似。其他值得注意的特性是(1)对灾难性遗忘的抵抗力(2)存在任意高精度的证据(3)通过可解释的激活“指纹”识别分布外的样本的能力。
2022-05-09 cs.AI cs.LG
Unlocking the Power of Function Vectors for Characterizing and Mitigating Catastrophic Forgetting in Continual Instruction Tuning
University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学)
针对持续指令调优中灾难性遗忘问题,本研究通过分析函数向量发现遗忘受任务和模型双重影响,提出函数向量引导的正则化训练方法,有效缓解遗忘并验证了理论框架。
2025-04-16 cs.AI cs.LG
Machine Unlearning using Forgetting Neural Networks
Winona State University(温纳州立大学);Institute of Science and Technology Austria(奥地利科学技术研究院)
本文提出基于遗忘神经网络的无学习方法,通过乘法衰减因子显式编码遗忘,有效移除与训练数据相关的信息,同时保持模型性能。
2025-12-29 cs.AI cs.LG cs.NE
Deep Learning Framework for History Matching CO2 Storage with 4D Seismic and Monitoring Well Data
Stanford University(斯坦福大学)
针对CO2封存中地层性质不确定性问题,提出一种结合4D地震与监测井数据的深度学习历史匹配框架,通过分层MCMC集成两类代理模型,显著降低关键参数不确定性并准确预测CO2羽流动态。
2025-01-22 cs.LG physics.geo-ph stat.ML
An introduction to distributed training of deep neural networks for segmentation tasks with large seismic datasets
KAUST(阿卜杜拉国王科技大学);Equinor ASA(Equinor公司);Jarraya Consultancy Ltd.(贾拉雅咨询有限公司)
深度学习应用在地震处理和解释任务中取得了巨大进展。然而,大多数方法对数据量进行二次采样并限制模型大小以最小化计算需求。对数据进行二次采样可能会丢失重要的时空信息,这些信息可以帮助训练,同时限制模型大小会影响模型性能,或者在某些极端情况下,会导致更复杂的任务(如分割)无法完成。本文阐述了如何解决大型神经网络训练的两个主要问题:内存限制和不切实际的大训练时间。通常,训练数据在训练之前被预加载到存储器中,这对于地震应用来说是一个特殊的挑战,在地震应用中,数据通常是用于标准图像处理任务的数据的四倍(float32与uint8)。使用一个微震用例,我们说明了如何使用超过750 GB的数据来训练一个模型,通过使用数据生成器的方法,只存储在内存中的数据所需的训练批次。此外,通过训练一个7层UNet,输入数据维度为4096X4096,说明了在大型模型上的有效训练。通过分批分布式训练方法,训练时间减少了四分之一。数据生成器和分布式训练的结合消除了数据1子采样或神经网络大小限制的任何必要性,提供了利用更大网络,更高分辨率输入数据或从2D到3D问题空间的机会。
2021-02-25 cs.AI cs.DC cs.LG
Multi-resolution neural networks for tracking seismic horizons from few training images
University of British Columbia(不列颠哥伦比亚大学);Computational Geosciences Inc.(计算地球科学公司)
在地震图像中检测特定层位是用于地质解释的有价值的工具。由于手工挑选地平线的位置是一个耗时的过程,自动计算方法从三十年前开始发展。用于这种拾取的较旧技术包括控制点的内插,然而,近年来神经网络已用于此任务。到目前为止,大多数网络都是在较大图像的小块上训练的。这限制了网络从大规模地质结构中学习的能力。此外,目前可用的网络和训练策略需要具有完整和连续注释的标签补丁,这也是耗时的。我们提出了一个投影损失函数,用于训练具有多分辨率结构的卷积网络,包括U网的变体。我们的网络从少量的大型地震图像中学习,而不创建补丁。投影损失函数允许在只有几个注释像素的标签上进行训练,并且对其他未知标签像素没有问题。训练使用所有数据,而不保留一些用于验证。只有标签被分为训练/测试。与地平线跟踪的其他工作相反,我们训练网络来执行非线性回归,而不是分类。因此,我们提出标签作为高斯核和已知水平位置的卷积,这些位置指示标签中的不确定性。网络输出是地平线位置的概率。我们证明了两个不同的数据集,地平线外推和插值建议的计算成分。我们表明,我们的方法的预测是准确的,即使在远离已知的地平线位置的地区,因为我们的学习策略利用大型地震图像中的所有数据。
2018-12-26 cs.CV cs.LG physics.geo-ph