Алгоритмы определения скоростного строения верхней части геологического разреза на основе помехоустойчивого спектрального анализа многоканальных данных поверхностных волн и обращения дисперсионных кривых фазовых скоростей с применением искусственной нейронной сети

Во введении определяется объект исследования, обосновывается актуальность, ставятся цели и научные задачи, описываются этапы и методология исследования, формулируются защищаемые результаты, научная новизна, а также теоретическая и практическая значимость найденных решений и разработок.
В главе 1 выполняется краткий аналитический обзор известных алгоритмов построения и обращения дисперсионных кривых зависимости фазовой скорости поверхностной волны от частоты по данным метода многоканального анализа поверхностных волн (MASW) для определения скоростного строения верхней части геологического разреза, указываются их достоинства и недостатки.
Во второй главе описывается разработка алгоритма построения дисперсионных кривых зависимости фазовой скорости сейсмических поверхностных волн от частоты, выполняется его верификация при обработке синтетических и полевых сейсмических данных и
сопоставление результатов с известным алгоритмом FK-преобразования [Serdyukov, Yablokov et al., 2019; Serdyukov, …, Yablokov et al., 2021].
В разделе 2.1 ставится задача, описываются методология, имеющийся фактический материал и программное обеспечение для разработки алгоритма. В разделе 2.2 указываются ограничения алгоритмов спектрального анализа при их использовании в обработке данных поверхностных волн: пространственный аляйсинг, спектральное размывание и учёт характера распределения энергии поверхностной волны для различных моделей геологических сред. В разделе 2.3 подробно описывается разработка помехоустойчивого алгоритма построения дисперсионных кривых фазовых скоростей сейсмических поверхностных волн по многоканальным данным линейных систем наблюдения (SFK- преобразование) с точным порядком действий исполнителя:
 построение изображения распределения энергии сейсмических волн по времени, частоте и расстоянию обобщённым вейвлет-преобразованием Стоквелла зарегистрированных сейсмических данных;
 расчёт спектра амплитуд сейсмических волн вдоль множества прямых линий с различными наклонами на фиксированных частотах с использованием одномерного преобразования Фурье по пространству;
 построение изображения распределения энергии сейсмических волн в пространстве частоты и волнового числа по максимумам спектра их амплитуд;
 построение дисперсионной кривой зависимости фазовой скорости поверхностной волны от частоты по максимумам энергии вдоль волновых чисел [Яблоков, Сердюков, 2018; Сердюков, Яблоков и др., 2019].
В разделах 2.4 и 2.5 выполняется верификация алгоритма и его программной реализации при обработке синтетических данных со случайными и регулярными помехами. Из сопоставления результатов применения разработанного SFK-преобразования и известного FK- преобразования следует вывод, что выделение поверхностных волн расчётом спектра их амплитуд вдоль множества прямых линий с различными наклонами на фиксированных частотах позволяет качественнее отфильтровывать волны-помехи и строить более точные дисперсионные кривые фазовых скоростей [Яблоков и др., 2016; Yablokov et al., 2018].
В разделе 2.6 выполняется опробование алгоритма и его программной реализации при обработке сейсморазведочных данных, полученных полевым отрядом лаборатории динамических проблем сейсмики ИНГГ СО РАН вдоль профиля в районе Урского хвостохранилища, Кемеровской области, а также выполняется обратный переход от спектров к
сейсмограммам и даётся оценка влияния длины линии наблюдения на точность построения скоростной модели.
Результаты обработки показывают, что использование разработанных программно-алгоритмических средств позволяет строить дисперсионные кривые фазовых скоростей в более протяжённом диапазоне частот и более устойчиво определять фазовые скорости при уменьшении длины линии наблюдения, чем при использовании стандартного алгоритма FK- преобразования. Постоянство результатов обращения дисперсионных кривых, построенных разработанным алгоритмом, свидетельствует о его надёжности и повышенной точности (Рисунок 1).
Рисунок 1 – Сейсмограмма сейсмических данных при различной длине базы наблюдения: 90, 30 и 15 м (левый столбец), изображения её V-f спектров по результатам расчёта SFK- и FK-преобразованиями (два центральных столбца) и зависимость глубины от восстановленных значений скоростей поперечной волны обращением построенных дисперсионных кривых фазовых скоростей волны Релея (правый столбец)
В разделе 2.7 выполняется тестирование алгоритма и его программной реализации при обработке полевых данных встречных сейсмограмм, полученных полевым отрядом лаборатории динамических проблем сейсмики ИНГГ СО РАН вдоль профиля в районе д. Бурмистрово Новосибирской области. Дисперсионные кривые фазовых скоростей, построенные по максимумам амплитудных спектров встречных сейсмограмм, совпадают с максимальной абсолютной разницей 6 м/с, что свидетельствует о повторяемости результатов и надёжности разработанного алгоритма [Яблоков, Сердюков, 2017].
Во третьей главе описывается разработка алгоритма определения скорости поперечной волны и мощности слоёв одномерной скоростной модели верхней части геологического разреза, выполняется его верификация при обращении синтетических дисперсионных кривых фазовых скоростей и сопоставление результатов с известными алгоритмами глобальной оптимизации (алгоритмом Монте-Карло и GWO) [Yablokov et al., 2021].
В разделе 3.1 ставится задача, описываются методология, имеющийся фактический материал и программное обеспечение для разработки алгоритма. В разделе 3.2 указываются ограничения алгоритмов обращения дисперсионных кривых поверхностных волн при их использовании в обработке данных поверхностных волн: учёт чувствительности фазовых скоростей поверхностной волны Релея к изменениям упругих параметров геологической среды, влияния параметров системы наблюдений на латеральное и глубинное разрешение построенных двумерных скоростных моделей. В разделе 3.3 подробно описывается разработка алгоритма определения скорости поперечной волны и мощности слоёв одномерной скоростной модели верхней части геологического разреза с использованием подобранной архитектуры искусственной нейронной сети (ИНС) с точным порядком действий исполнителя:
 построение референтной дисперсионной кривой зависимости фазовой скорости поверхностной волны от частоты осреднением значений фазовой скорости по каждой частоте дисперсионных кривых, построенных по имеющимся сейсмическим данным для исследуемой площади;
 определение диапазонов возможных значений скорости поперечной волны и мощности слоёв по построенной референтной дисперсионной кривой зависимости фазовой скорости поверхностной волны от частоты с использованием разработанного способа оптимизации выбора параметризации скоростной модели, т.е. числа слоёв, диапазонов возможных значений скорости поперечной волны и мощности слоёв.
 построение тренировочного набора данных: выбор параметров скоростных моделей (скорости поперечной волны и мощности слоёв) в пределах оценённых диапазонов в соответствии с равномерным распределением и численный расчёт дисперсионных кривых зависимостей фазовых скоростей поверхностных волн от частоты с использованием выбранных параметров скоростных моделей и адаптированной (распараллеленной на ядрах центрального процессора) реализации алгоритма на основе метода матричных пропагаторов;
 подбор весов ИНС с использованием построенного тренировочного набора данных, подобранной архитектуры и алгоритма оптимизации Nadam;
 определение скорости поперечной волны и мощности слоёв применением подобранных весов ИНС к дисперсионным кривым зависимостей фазовых скоростей поверхностной волны от частоты, построенных по имеющимся сейсмическим данным для исследуемой площади.
В разделе 3.4 подробно описывается разработка способа настройки архитектуры и гиперпараметров полносвязной многослойной ИНС для аппроксимации нелинейной зависимости фазовой скорости поверхностной волны от скорости поперечной волны и мощности слоёв на основе результатов численных исследований и с использованием статистического анализа распределений ошибок определения параметров скоростной модели [Яблоков и др., 2019].
В разделе 3.5 выполняется верификация алгоритма и его программной реализации при обращении 1250000 синтетических дисперсионных кривых фазовых скоростей, рассчитанных для скоростных моделей с различным числом слоёв (от двух до шести). Из сопоставления результатов применения разработанного алгоритма с применением ИНС и известного алгоритма Монте-Карло следует вывод, что разработанный алгоритм в 2 и 1.6 раз точнее при определении мощностей и скоростей поперечной волны соответственно.
В разделе 3.6 выполняется верификация алгоритма и его программной реализации при обращении синтетических дисперсионных кривых фазовых скоростей, рассчитанных для четырёхслойной синтетической скоростной модели в трёх различных случаях: 1 – с положительным градиентом скорости по глубине, 2 – при наличии низкоскоростного слоя и 3 – при наличии высокоскоростного слоя. Из сопоставления результатов серии независимых запусков обращения одной и той же дисперсионной кривой для различных моделей геологических сред с использованием разных алгоритмов следует вывод, что область неоднозначности решения обратной задачи с использованием алгоритма с применением ИНС значительно меньше, чем при использовании алгоритмов Монте-Карло и GWO (Рисунок 2). Из результатов обращения зашумлённых дисперсионных кривых фазовых скоростей с использованием различных алгоритмов следует, что использование разработанного алгоритма с применением ИНС позволяет получать более устойчивое решение при наличии случайного Гауссовского шума в данных, чем при использовании алгоритмов Монте-Карло и GWO [Яблоков и др., 2020; Yablokov, Serdyukov, 2020].
В разделе 3.7 выполняется сопоставление времени вычисления обращения дисперсионных кривых с использованием различных алгоритмов инверсии, из которых следует что вычислительная сложность
применения подобранных весов ИНС растёт незначительно с увеличением числа построенных дисперсионных кривых, в отличие от алгоритмов глобальной оптимизации, а при обращении большого числа дисперсионных кривых (более 50000) алгоритм с применением ИНС более вычислительно эффективен.
Рисунок 2 – Зависимость восстановленных значений скорости поперечной волны от глубины по результатам независимого обращения дисперсионной кривой фазовой скорости различными алгоритмами для разных моделей геологических сред
В четвертой главе выполняется апробация разработанных программно-алгоритмических средств для их верификации, определения ограничений применимости и решения прикладных задач при обработке
синтетических и реальных сейсмических данных [Курленя, …, Яблоков и др., 2016; Чернышов, Яблоков, 2019].
В разделе 4.1 в рамках слепого тестирования разработанных программно-алгоритмических средств выполняется построение одномерной скоростной модели по данным синтетической сейсмограммы, из результатов которого следует вывод, что средняя относительная ошибка построения одномерных скоростных моделей составляет 11.5% для мощности и 9% для скорости поперечной волны [Яблоков и др., 2020].
В разделах 4.2 и 4.3 с использованием комплекса разработанных программно-алгоритмических средств выполняется построение двумерных скоростных моделей по синтетическим данным сейсмопрофилирования для упругих моделей геологической среды с волнообразной и со ступенчатой формой границ. По результатам численных экспериментов определяется зависимость точности построения скоростной модели от параметров системы наблюдения: длина базы наблюдения должна быть по меньшей мере в два раза меньше латеральной протяжённости скоростных аномалий, интервал наблюдений должен быть меньше или равен половине длины базы наблюдения.
В разделе 4.4 с использованием комплекса разработанных программно-
алгоритмических средств выполняется апробация при обработке данных
инженерной сейсморазведки, полученных вдоль профиля в районе д.
Бурмистрово. В результате обработки данных определяется скоростное
строение верхней части геологического разреза, в котором положение
восстановленной границы согласуется с положением границы, полученной
методом ′ (разница средней глубины около 0.6 м при глубине границы 0
около 23.4 м), что свидетельствует о достоверности полученных
результатов. Построенная модель скорости поперечной волны дополняет
известную модель скорости продольной волны приповерхностным слоем
жёлтых суглинок со средней глубиной около 6.75 м, который не
обнаруживается методом ′ , но обнаруживается методом вертикального 0
электрического зондирования [Яблоков, Сердюков, 2018].
В разделе 4.5 с использованием комплекса разработанных программно- алгоритмических средств выполняется апробация при обработке данных, полученных в ходе площадных сейсморазведочных работ на месторождении углеводородов в Западной Сибири. В результате построения и обращения 35010 дисперсионных кривых фазовых скоростей волны Релея определяется скоростное строение верхней части геологического разреза – строится серия скоростных разрезов поперечной волны вдоль сейсмических профилей, расположенных на площади около 995 км2, с использованием которых строятся площадные карты распределения скорости поперечной волны на различной глубине
(Рисунок 3). Показывается возможность использования единовременно обученной ИНС для обращения всех дисперсионных кривых, построенных в результате обработки имеющихся данных с использованием разработанного алгоритма и его программной реализации [Yablokov et al., 2021].
Рисунок 3 – Карты распределения альтитуды и глубин восстановленных
границ (а), карты распределения восстановленных значений скорости
поперечной волны на альтитуде 15, 40, 60 и 80 м (б), скоростные разрезы
поперечной волны для профиля вдоль Y (в) и X (г) по результатам инверсии данных разработанными алгоритмами. Красные линии – выбранные профиля для изображения восстановленных скоростных разрезов
ЗАКЛЮЧЕНИЕ
Результат исследования – новый эффективный двухмодульный алгоритм определения скоростного строения верхней части геологического разреза, состоящий из помехоустойчивого алгоритма (модуля) построения дисперсионных кривых зависимостей фазовых скоростей сейсмических поверхностных волн по многоканальным данным линейной системы наблюдений и алгоритма (модуля) построения скоростной модели поперечной волны обращением дисперсионных кривых с применением искусственных нейронных сетей (ИНС). Разработанные алгоритмы теоретически и экспериментально обоснованы и реализованы в виде научно-исследовательской версии программного обеспечения.
Использование преобразования Стоквелла при разработке алгоритма построения дисперсионных кривых фазовых скоростей позволяет получать высокоразрешающее распределение энергии волн в пространстве времени, частоты и расстояния за счёт переменного по частоте нормализирующего множителя. С использованием последующей фильтрации сейсмограммы расчётом спектра амплитуд сейсмических волн вдоль множества прямых линий с различными наклонами на фиксированных частотах выделяется пакет поверхностной волны и подавляются волны-помехи. Несомненное преимущество предложенного алгоритма построения дисперсионных кривых фазовых скоростей – возможность исключить субъективизм пикирования максимумов двумерного амплитудного спектра сейсмических данных при наличии регулярных и случайных помех за счёт использования лично разработанного программного обеспечения алгоритма. Более того, за счёт реализованной в разработанном алгоритме фильтрации регулярных и случайных помех значения дисперсионных кривых фазовых скоростей определяются точнее, чем при использовании f-k преобразования.
Использование ИНС при разработке алгоритма определения скорости поперечной волны и мощности слоёв одномерной скоростной модели верхней части геологического разреза обращением дисперсионных кривых фазовых скоростей поверхностных волн позволяет значительно ускорить и повысить точность решения обратной задачи. Использование подобранных весов ИНС для инверсии данных метода MASW не требует значительных вычислительных ресурсов и дополнительной настройки её параметров, в отличие от алгоритмов глобальной оптимизации. Разработанный способ настройки архитектуры полносвязной многослойной ИНС является универсальным, так как основан на общепринятых принципах статистического анализа распределений
ошибок решения обратной задачи, и может применяться для решения схожих задач. Применение разработанного способа оптимизации выбора параметризации скоростной модели позволяет: избежать известных трудностей задания диапазонов возможных значений определяемых параметров для ограничения пространства решений в отсутствие априорной информации, определять число слоёв определяемой скоростной модели и формировать репрезентативный набор данных для подбора весов ИНС по значениям построенной по максимумам двумерного амплитудного спектра сейсмических данных референтной дисперсионной кривой фазовой скорости, рассматривать широкие диапазоны изменения значений фазовых скоростей поверхностной волны. Последнее позволяет применять единожды подобранные веса ИНС для обращения разных дисперсионных кривых (с максимальным отличаем не более 50%), построенных при обработке данных с одной площади исследования.
Выгодное отличие разработанных программно-алгоритмических средств от используемых в настоящее время заключается в возможности автоматизации построения двумерных скоростных моделей поперечной волны при наличии случайных и регулярных помех в данных, в значительном ускорении решения обратной задачи при инверсии большого объёма данных метода MASW (от 50 000 дисперсионных кривых), повышенная точность определяемого скоростного строения верхней части геологического разреза.
Областью применимости разработанных программно- алгоритмических средств является определение скоростного строения верхней части геологического разреза при решении прикладных задач инженерно-геологических изысканий в режиме реального времени, 4D экспресс-мониторинга физико-механических параметров грунтов и нефтегазовой сейсморазведки при расчёте статических поправок обменных волн.
Приоритетным направлением дальнейшего развития программно- алгоритмического обеспечения метода MASW для определения скоростного строения верхней части геологического разреза является разработка алгоритма обращения полного двумерного амплитудного спектра сейсмических данных, что позволит снизить неоднозначность, повысить точность и устойчивость решения обратной задачи за счёт исключения процедуры построения дисперсионных кривых и использования мод высших порядков. Для решения такой задачи целесообразно использовать свёрточные ИНС глубокого обучения, хорошо зарекомендовавшие себя при анализе изображений, для аппроксимации связи между изображением двумерного амплитудного спектра и скоростной модели. Другим перспективным направлением
дальнейшего изучения является разработка алгоритма определения области неоднозначности решения обратной задачи за счёт проекции на пространство скоростных моделей шума, связанного с наличием случайных и регулярных волн-помех и перераспределением энергии между модами поверхностной волны, и ошибок инверсии данных метода MASW, вводимых обратным оператором. Известные способы определения неоднозначности решения обратной задачи требуют её многократного решения. В связи с этим, также целесообразно использовать ИНС за счёт быстродействия применения подобранных весов.