Erkennung vorheriger Einschränkungen in tiefen neuronalen Netzwerken zur Lösung geophysikalischer Explorationsprobleme

Eines der Hauptziele in der Geophysik ist es, den Untergrund durch die Analyse und Interpretation geophysikalischer Felddaten zu charakterisieren, die typischerweise an der Oberfläche erfasst werden. Datengetriebene Deep-Learning-Methoden haben ein enormes Potenzial, den Prozess zu beschleunigen und zu vereinfachen, stehen jedoch auch vor vielen Herausforderungen, darunter schlechte Generalisierbarkeit, schwache Interpretierbarkeit und physikalische Inkonsistenz. Wir präsentieren drei Strategien, um Einschränkungen des Fachwissens auf tiefe neuronale Netzwerke (DNNs) anzuwenden, um diese Herausforderungen anzugehen. Die erste Strategie besteht darin, Einschränkungen in die Daten zu integrieren, indem synthetische Trainingsdatensätze durch geologische und geophysikalische Vorwärtsmodellierung generiert und das Vorwissen als Teil der Eingabe, die in die DNNs eingespeist wird, entsprechend kodiert wird. Die zweite Strategie besteht darin, nicht trainierbare benutzerdefinierte Schichten physikalischer Operatoren und Vorbedingungen in die DNN-Architektur zu entwerfen, um Merkmalskarten, die im Netzwerk berechnet wurden, zu modifizieren oder zu formen, damit sie mit dem Vorwissen übereinstimmen. Die letzte Strategie besteht darin, vorherige geologische Informationen und geophysikalische Gesetze als Regularisierungsterme in Verlustfunktionen für das Training der DNNs zu implementieren. Wir diskutieren die Implementation dieser Strategien im Detail und demonstrieren deren Wirksamkeit, indem wir sie auf die Verarbeitung, Bildgebung, Interpretation und Modellierung des Untergrunds geophysikalischer Daten anwenden.