تخمین مدل‌های الاستیک زیرسطحی با استفاده از داده‌های ژئوفیزیکی و هوش مصنوعی

قسمتی از انرژی این امواج که توسط منابع مصنوعی مانند لرزه‌نگارها و انفجار یا منابع طبیعی تولید می‌شوند، پس از برخورد با لایه‌های مختلف زمین بازتاب پیدا می‌کنند. داده‌های حاصل از این بازتاب‌ها توسط آرایه گیرنده‌هایی که در سطح زمین چیده شده‌اند، ثبت شده و پردازش می‌شوند تا تصویری ساختار زیرسطحی زمین ایجاد شود. هدف در این مرحله، شناسایی موقعیت لایه‌ها، مرزهای آن‌ها و ساختارهای احتمالی مانند گسل‌ها، چین‌ها و تله‌های ساختاری است که محل تجمع ذخایر طبیعی مثل مخازن نفت و گاز است.

در همین راستا پژوهشگران موسسه ژئوفیزیک دانشگاه تهران با استفاده از روش‌های یادگیری عمیق، راهکاری برای غلبه بر این چالش‌ها ارائه داده‌اند که قادر به تخمین خواص الاستیک زیر سطحی با دقت بالایی در مواجهه با داده‌های مصنوعی و واقعی است که در همین خصوص گفت‌وگویی با مهدی سعادت، دانشجوی دکتری رشته ژئوفیزیک که یکی از پژوهشگران این پژوهش است داشتیم که در ادامه حاصل این گفت‌وگو را می‌خوانید.

چه مشکلاتی در مدل‌سازی خواص الاستیک زیرسطحی وجود دارد که شما را به استفاده از روش‌های یادگیری عمیق سوق داد؟

یک مشکل اساسی در مدل‌سازی خواص الاستیک، حجم بالا و زمان‌بر بودن محاسبات است. روش‌های یادگیری عمیق مبتنی بر داده (Data Driven) در مرحله پیش‌بینی قادر هستند به‌سرعت مدل را تخمین بزنند و نیازمند مدل اولیه برای فرآیند وارون‌سازی نیستند. البته دقت آن‌ها وابسته به تعمیم‌پذیر بودن تابع نگاشت یادگیری شده در فرآیند آموزش است. این در حالی است که روش‌های یادگیری عمیق مبتنی بر فیزیک (Physics Driven)، زمان بیشتری برای پیش‌بینی مدل لازم دارند اما استفاده از فیزیک مسئله، تعمیم‌پذیری آن‌ها را تا حد زیادی بهبود می‌بخشد. این شبکه‌ها چون از محاسبات موازی مبتنی بر پردازنده گرافیکی استفاده می‌کنند، نسبت به روش‌های وارون‌سازی عادی چند صد برابر سریع‌تر هستند. روش‌های بهینه‌سازی مختص یادگیری عمیق، آن‌ها را قادر می‌سازد که خود را از مدل‌های بهینه محلی برهانند. با ترکیب این دو روش می‌توان از مزیت‌های هر دو بهره برد و بر چالش‌های وارون‌سازی شکل کامل موج غلبه کرد.

در این پروژه، داده‌های ژئوفیزیکی چگونه جمع‌آوری و پردازش می‌شوند تا بتوانند مدل‌سازی دقیقی ایجاد کنند؟

جمع‌آوری و پردازش داده‌های ژئوفیزیکی به‌طور معمول از چشمه‌های تولید موج مانند ماشین‌های وایبروسایز یا انفجار برای ایجاد امواج لرزه‌ای استفاده می‌شود و بعد از جمع‌آوری داده‌ها، چندین مرحله پردازشی روی آن‌ها اعمال می‌شود تا مناسب برای ورود به فرآیند یادگیری ماشین شوند. این مراحل شامل فیلتر نویز و اثرات ناخواسته، همسان‌سازی داده، استخراج ویژگی و ساخت مدل اولیه است.

 چه نوع الگوریتم‌های یادگیری عمیقی در این پژوهش به کار گرفته شده‌اند و چرا این الگوریتم‌ها مناسب‌ترین انتخاب بودند؟

در این تحقیق از روش‌های یادگیری عمیق مبتنی بر داده و مبتنی بر فیزیک برای تخمین خواص الاستیک زیر سطحی از داده‌های ژئوفیزیکی استفاده شده است. در قسمت مبتنی بر داده، تمرکز بر ویژگی تصویر بودن (دو بعدی و سه بعدی بودن) داده لرزه‌ای بوده است، بنابراین از معماری‌های کانولوشنی(CNN) استفاده شده است، البته این معماری‌ها با توجه به ویژگی‌های منحصر بفرد داده لرزه‌ای شخصی‌سازی شده‌اند و از مفاهیم مهندسی ویژگی، پیش پردازش داده‌ها 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، کارایی این روش را به حداکثر رساندیم. در قسمت استفاده از روش‌های یادگیری عمیق مبتنی بر فیزیک برای تخمین خواص الاستیک زیر سطحی، تاکید بر ویژگی سری زمانی بودن داده لرزه‌ای بوده است، بنابراین در اینجا از شبکه‌های بازگشتی(RNN) برای وارون‌سازی شکل موج کامل استفاده شده است. استفاده از فیزیک مسئله در یادگیری خواص الاستیک بوسیله شبکه‌های عصبی عمیق موجب افزایش تعمیم‌پذیری شبکه شده و دغدغه نیاز به حجم زیاد داده برای یک آموزش تعمیم پذیر را برطرف می‌سازد.

نتایج این تحقیق چه میزان دقت و تفکیک‌پذیری را در تخمین خواص الاستیک ارائه می‌دهد و چگونه با روش‌های سنتی مقایسه می‌شود؟

روش وارون‌سازی شکل موج کامل به‌عنوان روشی شناخته می‌شود که بیشترین قدرت تفکیک را در مدل‌های حاصله پدید می‌آورد. داده لرزه‌ای شامل اطلاعات زمان رسید بازتاب‌ها، دامنه و فاز آن‌ها است. در روش‌هایی همچون توموگرافی فقط از اطلاعات زمان رسید برای تخمین مدل‌های زیر سطحی استفاده می‌شود، اما در این روش، کل موج کامل و همه اطلاعات آن برای این منظور استفاده می‌شود که موجب افزایش قدرت تفکیک و البته بروز چالش‌های متعددی نیز می‌شود. به‌طور کلی طبق مباحث نظری (تئوری)، قدرت تفکیک مدل از یک حد مشخص نمی‌تواند بالاتر برود، همچنین کاهش اندازه سلول‌های مدل هزینه محاسباتی گزافی بر فرآیند وارونسازی تحمیل می‌کند. از طرفی خود ساختار زمین‌شناسی و هندسه برداشت داده و ابزارآلات ارسال و ثبت داده نیز اهمیت دارند و ممکن است حساسیت تابع هدف نسبت به برخی ساختارها و توزیع پوشش پرتو در خلال مدل متغیر باشد. با در نظر گرفتن همه عوامل فوق یک مقدار بهینه برای ابعاد سلول‌ها و کمترین ضخامت قابل تفکیک محاسبه می‌شود.

آیا این روش در پروژه‌های عملی مانند اکتشاف منابع نفتی مورد آزمایش قرار گرفته است؟ در این صورت، نتایج چگونه بوده‌اند؟

آزمایش در پروژه‌های عملی مانند اکتشاف نفت و نتایج آن به‌طور معمول زمانیکه یک روش نوین تخمین مدل ارائه می‌شود، ابتدا روی داده‌های مصنوعی اعمال می‌شود. علت این کار در این موضوع نهفته است که مدل متناظر با چنین داده‌ای، موجود و کاملا شناخته شده است و می‌توان مدل بازسازی شده بوسیله روش نوین را با مدل اصلی مقایسه کرد، بنابراین ما در این تحقیق ابتدا روش پیشنهادی را روی داده‌های مصنوعی اعمال کردیم که نتایج مطابقت و همبستگی بالایی را با مدل‌های اصلی نشان دادند. البته محدود کردن نتایج به داده مصنوعی نمی‌تواند قابلیت یک روش را نشان دهد و مهم است که روش پیشنهادی در مواجهه با داده‌ واقعی و چالش‌های دنیای واقعی نیز بتواند قابلیت‌های خود را بروز دهد. از آنجا که داده‌های میادین نفتی و به‌خصوص داده‌های لرزه‌نگاری جزء داده‌های استراتژیک و محرمانه کشور هستند و اجازه انتشار آن‌ها در مجلات بین‌المللی وجود ندارد و امکان استفاده از داده‌های داخلی برای تحقیقات دانشگاهی در این زمینه وجود ندارد.

انجمن ژئوفیزیک دانان اکتشافی(SEG) کتابخانه مفصلی از داده‌های متن باز از سراسر جهان در اختیار پژوهشگران قرار داده است تا بتوانند روش‌های نوین خود را بر روی این داده‌ها آزمایش کنند.، بنابراین ما روش پیشنهادی خود را بر یک مجموعه داده از دریای شمال اعمال کردیم و مقایسه نتایج کار با نگاره‌های موجود در چاه‌های منطقه حاکی از دقت بالای روش پیشنهادی در تخمین خواص الاستیک در این ناحیه بوده است و نتایج آن بزودی در یکی از مجلات معتبر حوزه ژئوفیزیک در سطح بین‌الملل به چاپ خواهد رسید.

چگونه می‌توان از این مدل‌سازی در بهبود روش‌های اکتشاف و کاهش هزینه‌های مرتبط استفاده کرد؟

تأثیر در بهبود روش‌های اکتشاف و کاهش هزینه‌ها استفاده از روش‌های دارای قدرت تفکیک بالا می‌تواند نواحی مستعد شامل تله‌های ساختاری و چینه‌ای را با دقت بالایی شناسایی کند و در اکتشاف منابع هیدروکربوری جدید و همچنین تعیین محدوده مخازن در میادین موجود کمک کننده باشد و نیاز به حفاری‌های اضافی را کاهش دهد، همچنین در تعیین مناطق پر خطر مثل نقاط پرفشار می‌توانند ریسک حفاری را کاهش دهند و از این طرق هزینه‌های اضافی را کاهش داده و در براورد منابع، مورد استفاده قرار گیرند.

چه موانعی در توسعه و به‌کارگیری این فناوری در مقیاس صنعتی وجود دارد و آیا برنامه‌ای برای غلبه بر آن‌ها دارید؟

یکی از موانع نیاز به قدرت پردازشی بالا یعنی استفاده از تکنولوژی‌های محاسبات ابری و سخت‌افزارهای بهینه‌شده مانند GPU/TPU و دیگری مقاومت سازمانی برگزاری کارگاه‌های آموزشی و نشان دادن ارزش افزوده این روش‌ها می‌تواند پذیرش آن‌ها را افزایش دهد.

این روش‌ها چه پتانسیلی برای کاربرد در سایر حوزه‌های علمی و صنعتی مانند معدن‌کاری یا مدیریت آب دارند؟

پتانسیل کاربرد در حوزه‌های دیگر این روش‌ها می‌توانند در بسیاری از حوزه‌های دیگر کاربرد داشته باشند، از جمله معدن‌کاری برای شناسایی ذخایر معدنی با دقت بالا، مدیریت منابع آب برای تخمین خواص الاستیک آبخوان‌ها و بهبود مدیریت منابع آبی، مهندسی عمران در ارزیابی خطرات لرزه‌ای و طراحی سازه‌های ایمن.

انتهای پیام