KI erkennt die Geologie des Untergrunds

Die genaue und effiziente Charakterisierung der Geologie des Untergrunds ist für verschiedene Anwendungen von entscheidender Bedeutung, z. B. für die Energieexploration, die zivile Infrastruktur sowie die Grundwasserkontamination und -sanierung. Der Standardansatz zur Gewinnung dieser Informationen ist die computergestützte seismische Bildgebung, bei der ein Bild der Strukturen im Untergrund aus Messungen natürlicher oder künstlich erzeugter seismischer Wellen rekonstruiert wird.

Sobald diese Modelle vollständig trainiert sind, ist das Inversionsverfahren rechnerisch effizient. Eine wesentliche Einschränkung dieser datengesteuerten Methoden ist jedoch ihre schwache Verallgemeinerungsfähigkeit, was die breite Anwendung datengesteuerter seismischer Bildgebungsverfahren auf Felddaten behindert.




Darüber hinaus kann es äusserst schwierig und teuer sein, echte Untergrundstrukturmodelle und die entsprechenden seismischen Messungen zu sammeln, was zu Trainingsmengen mit begrenzter Repräsentativität führt.

Wie sie es geschafft haben

Um das Problem der schwachen Verallgemeinerung zu überwinden, untersuchten die Los Alamos-Wissenschaftler Shihang Feng, Youzuo Lin und Brendt Wohlberg die Möglichkeit, den Trainingssatz zu erweitern und kritische physikalische Phänomene in ihr Vorhersagemodell einzubeziehen.

Ihre Idee war inspiriert von den künstlerischen Stilübertragungsproblemen aus der Computer-Vision-Gemeinschaft, deren Ziel es ist, den Kunststil eines Gemäldes auf ein anderes Bild zu übertragen, indem der Stilverlust und der Inhaltsverlust auf der Grundlage von Merkmalen, die aus einem vorab trainierten Faltungsneuronalnetz extrahiert wurden, minimiert werden.

Diese Werkzeuge boten den Forschern daher Ansätze, um Bilder aus zwei verschiedenen physikalischen Bereichen zu verbinden. Insbesondere stellen Untergrundstrukturmodelle die geophysikalischen Eigenschaften in 2-D dar, die auch als Bilder einer bestimmten physikalischen Eigenschaft betrachtet werden können. Die von den Forschern angewandte Methode konvertierte eine grosse Menge vorhandener Naturbilder in Untergrundstrukturmodelle mit vorgegebenen geologischen Stilen. Auf diese Weise konnten sie eine grosse Anzahl synthetischer Geschwindigkeitsmodelle mit ausreichender Variabilität erzeugen. Auf diese Weise konnten die datengesteuerten Modelle nicht nur die physikalischen Grundlagen des Problems durch Training erlernen, sondern aufgrund der Repräsentativität der Daten auch eine hohe Generalisierungsfähigkeit erreichen.

Durch die erfolgreiche Demonstration dieser Technik haben die Forscher die Tür zu einer Reihe potenzieller Anwendungen im Untergrund geöffnet, wie z. B. Kohlenstoffabscheidung und -sequestrierung, Energieexploration im Untergrund, Abschätzung der Wege des Schadstofftransports im Untergrund und Erdbebenfrühwarnsysteme, die kritische Warnungen ausgeben.