論文の概要: A convolutional neural network approach to deblending seismic data
- arxiv url: http://arxiv.org/abs/2409.07930v1
- Date: Thu, 12 Sep 2024 10:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 16:48:47.887250
- Title: A convolutional neural network approach to deblending seismic data
- Title（参考訳）: 畳み込みニューラルネットワークによる地震探査
- Authors: Jing Sun, Sigmund Slang, Thomas Elboth, Thomas Larsen Greiner, Steven McDonald, Leiv-J Gelius,
- Abstract要約: 本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。
地震データの特徴に応じて畳み込みニューラルネットワーク(CNN)を設計する。
ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
- 参考スコア（独自算出の注目度）: 1.5488464287814563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For economic and efficiency reasons, blended acquisition of seismic data is becoming more and more commonplace. Seismic deblending methods are always computationally demanding and normally consist of multiple processing steps. Besides, the parameter setting is not always trivial. Machine learning-based processing has the potential to significantly reduce processing time and to change the way seismic deblending is carried out. We present a data-driven deep learning-based method for fast and efficient seismic deblending. The blended data are sorted from the common source to the common channel domain to transform the character of the blending noise from coherent events to incoherent distributions. A convolutional neural network (CNN) is designed according to the special character of seismic data, and performs deblending with comparable results to those obtained with conventional industry deblending algorithms. To ensure authenticity, the blending was done numerically and only field seismic data were employed, including more than 20000 training examples. After training and validation of the network, seismic deblending can be performed in near real time. Experiments also show that the initial signal to noise ratio (SNR) is the major factor controlling the quality of the final deblended result. The network is also demonstrated to be robust and adaptive by using the trained model to firstly deblend a new data set from a different geological area with a slightly different delay time setting, and secondly deblend shots with blending noise in the top part of the data.
- Abstract（参考訳）: 経済と効率の理由から、地震データの混合取得がますます一般的になりつつある。
地震偏向法は常に計算的に要求され、通常複数の処理ステップから構成される。
さらに、パラメータ設定は必ずしも自明ではない。
機械学習に基づく処理は、処理時間を著しく短縮し、地震の抑止方法を変える可能性がある。
本稿では,高速かつ効率的な地震探査のためのデータ駆動深層学習手法を提案する。
ブレンドされたデータは、共通源から共通チャネル領域にソートされ、ブレンドされたノイズの特性をコヒーレント事象から非コヒーレント分布に変換する。
畳み込みニューラルネットワーク(CNN)は、地震データの特徴に基づいて設計され、従来の産業分断アルゴリズムと同等の結果を得る。
信頼性を確保するため、ブレンディングは数値的に行われ、20000以上のトレーニング例を含むフィールド地震データのみが採用された。
ネットワークのトレーニングと検証を行った後、ほぼリアルタイムで地震波のたわみを行うことができる。
また, 実験の結果から, 初期信号対雑音比 (SNR) が最終復調結果の品質を制御する主要な要因であることが示唆された。
ネットワークはまた、トレーニングされたモデルを用いて、少し異なる遅延時間設定で異なる地質領域から新しいデータセットをデブレンドし、第2にデータの上部にノイズをブレンドしたショットをデブレンドすることで、堅牢で適応的であることを示した。
関連論文リスト
- Using Convolutional Neural Networks for Denoising and Deblending of Marine Seismic Data [1.6411821807321063]
我々は、深部畳み込みニューラルネットワーク(CNN)を用いて、地震干渉ノイズを除去し、地震データを損なう。
CNNを用いた共通チャネル領域の検証は比較的良好であり,ショット領域と比較して改善されている。
論文 参考訳（メタデータ） (2024-09-13T07:35:30Z) - Deep learning-based shot-domain seismic deblending [1.6411821807321063]
我々は,各帆行の最後に獲得した未完成のショットコレクションを利用する。
これらのデータを手動でブレンドすることで、地上の真実をうまく制御したトレーニングデータが得られる。
隣接するブレンドショット集合を含むマルチチャネル入力を用いてディープニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2024-09-13T07:32:31Z) - Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - PINNslope: seismic data interpolation and local slope estimation with
physics informed neural networks [2.3895981099137535]
余剰地震データの補間は, 地震処理ワークフローにおける重要なステップである。
物理情報ニューラルネットワーク(PINN)を用いて地震データを補間する手法を提案する。
論文 参考訳（メタデータ） (2023-05-25T12:29:28Z) - A hybrid approach to seismic deblending: when physics meets
self-supervision [0.0]
自己教師型デノベーションネットワークをPlug-and-Playフレームワークに組み込んだ新しい概念を導入する。
部分的に相関する雑音に対する[28 ]の盲点ネットワークアーキテクチャを設計した新しいネットワークが導入された。
ネットワークは、教師付き時間アルゴリズムの各ステップでノイズの多い入力データに基づいて直接訓練される。
論文 参考訳（メタデータ） (2022-05-30T19:24:21Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - The potential of self-supervised networks for random noise suppression
in seismic data [0.0]
ブラインド・スポット・ネットワークは地震データにおけるランダムノイズの効率的な抑制効果を示す。
結果は、FXデコンボリューションとCurvelet変換という2つの一般的なランダムな復調手法と比較される。
これは、地震の応用における自己教師あり学習の活用の始まりにすぎないと我々は信じている。
論文 参考訳（メタデータ） (2021-09-15T14:57:43Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。