Un cadre d'apprentissage auto-supervisé pour l'extrapolation sismique à basse fréquence

Résumé L'inversion de forme d'onde complète (FWI) est capable de générer des modèles de paramètres sous-surface à haute résolution, mais elle est sujette au saut de cycle lorsque les données manquent de composants à basse fréquence. Malheureusement, ces composants (<5,0 Hz) sont souvent contaminés par du bruit dans l'exploration sismique réelle, ce qui entrave l'application de la FWI. Pour résoudre ce problème, nous développons une nouvelle méthode d'extrapolation à basse fréquence auto-supervisée qui ne nécessite pas de données étiquetées, permettant aux réseaux neuronaux d'être entraînés directement sur des données réelles. Dans l'approche proposée, l'entraînement du réseau neuronal est divisé en deux étapes : chauffage et raffinement itératif des données (IDR). Au stade IDR, les pseudo-étiquettes pour l'époque actuelle sont dérivées des prédictions faites par le réseau entraîné lors de l'époque précédente sur les données observées originales. La phase IDR réduit progressivement l'écart entre la pseudo-étiquette prédite et la vérité de terrain idéale, améliorant ainsi la performance d'extrapolation à basse fréquence du réseau. Ce paradigme aborde efficacement le fossé de généralisation significatif souvent rencontré lors de l'utilisation de techniques d'apprentissage supervisé, qui sont généralement entraînées sur des données synthétiques. Nous validons l'efficacité de notre méthode sur des données synthétiques et de terrain. Les résultats montrent que notre méthode extrapole efficacement les composants à basse fréquence, aidant à contourner les défis du saut de cycle dans la FWI. Pendant ce temps, en intégrant un débruiteur auto-supervisé, notre méthode effectue efficacement et simultanément le débruitage et l'extrapolation à basse fréquence sur des données bruyantes. De plus, nous présentons l'application potentielle de notre méthode dans l'extension des composants d'ultra basse fréquence du sismogramme d'équilibre collecté à grande échelle.