معرفی روشی کم هزینه و خودکار در تولید انبوه داده مخزنی برای آموزش الگوریتم یادگیری عمیق با استفاده از شبیه سازی متوالی مستقیم

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JRAG-8-3_001

تاریخ نمایه سازی: 27 فروردین 1403

چکیده مقاله:

موفقیت های اخیر در روش های وارون سازی شکل موج کامل مبتنی بر داده، منجر به رشد سریع تقاضا برای مجموعه داده های قابل دسترس به منظور استفاده در این مسائل شده است. کمبود مجموعه داده آموزشی به تعداد لازم و نزدیک به مدل های واقعی زیرسطحی برای آموزش شبکه های عصبی عمیق، یکی از کاستی های این روش ها در کاربردهایی ژئوفیزیکی است. برای حل این مشکل، در این مقاله، چارچوبی با استفاده از یک روش شبیه سازی زمین آماری برای تولید پایگاه داده آموزشی، استفاده شده است. ایده اصلی در این مقاله، استفاده از داده های چاه استخراج شده از مدل های مختلف و به تعداد دلخواه و قرارگیری در الگوریتم شبیه سازی متوالی مستقیم و شبیه سازی متوالی مستقیم توامان است. در این روش، برای بدست آوردن مدل های سرعت یا مخزنی قابل استفاده برای شبکه عمیق، از آماره های اولیه (میانگین و واریانس) که از داده های چاه بدست می آید، در مراحل شبیه سازی استفاده می شود. همچنین با استفاده از الگوریتم شبیه سازی متوالی مستقیم توامان و به کارگیری تصویر ثانویه (تصویر مدل اصلی با درصدهای متفاوت همبستگی) تولید مدل های با پیوستگی بیشتر ارائه شده است. استفاده از درصدهای مختلف همبستگی تصویر ثانویه منجر به تولید مدل های متنوع زمین شناسی شده است. در این مقاله، مثال های گوناگونی از مدل های سرعت معروف، انتخاب و چارچوب ارائه شده بر روی آنها اعمال گردیده است. اگرچه محدودیتی در استفاده از ضرایب همبستگی متنوع وجود ندارد، به عنوان نمونه، ضرایب همبستگی ۳۰، ۵۰ و ۷۰ درصد برای استفاده از تصویر ثانویه در تولید داده آموزشی استفاده شده است. نتایج، نشان دهنده تولید پایگاه آموزشی با مدل های مرتبط با ساختارهای زمین شناسی متنوع است.

کلیدواژه ها:

شبیه سازی متوالی مستقیم ، یادگیری عمیق ، مدل سرعت ، زمین آمار ، تصویر ثانویه

نویسندگان

حمید ثابتی

استادیار؛ گروه مهندسی معدن، دانشگاه صنعتی بیرجند

وحید هنربخش

دانشجوی دکتری لرزه شناسی؛ دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Aghamiry, H. S., Gholami, A., and Operto, S., ۲۰۱۹, Implementing ...
  • Araya-Polo, M., Jennings, J., Adler, A. and Dahlke, T., ۲۰۱۸, ...
  • Deutsch, C.V. and Journel, A.G., ۱۹۹۲, GSLIB: Geostatistical software library ...
  • Fang, J., Zhou, H., Elita Li, Y., Zhang, Q., Wang, ...
  • Herrmann, F. J., A. Siahkoohi, and G. Rizzuti. Learned imaging ...
  • Johnson, J., Alahi, A. and Fei-Fei, L., ۲۰۱۶, Perceptual losses ...
  • Kaur, H., Pham, N., & Fomel, S., ۲۰۲۱, Seismic data ...
  • Laloy, E., Linde, N., Ruffino, C., Hrault, R., Gasso, G. ...
  • Lecun, Y., Bengio, Y., & Hinton, G., ۲۰۱۵, Deep learning. ...
  • Li, S., Liu, B., Ren, Y., Chen, Y., Yang, S., ...
  • Mao, B., Han, L. G., Feng, Q. and Yin, Y. ...
  • Ovcharenko, O. V., Kazei, D. P. and Alkhalifah, T., ۲۰۱۹, ...
  • Ren, Y., Xu, X., Yang, S., Nie, L. and Chen, ...
  • Rezaee, H., D. Marcotte, P. Tahmasebi, and Saucier, A., ۲۰۱۵, ...
  • Siahkoohi, A., Rizzuti, G. and Herrmann, F. J., Deep bayesian ...
  • Siwei Yu, Jianwei Ma, and Wenlong Wang, ۲۰۱۹, Deep learning ...
  • Shihang Feng, Youzuo Lin, and Brendt Wohlberg, ۲۰۲۱, Multiscale data-driven ...
  • Soares, A., ۲۰۰۱, Direct Sequential Simulation and Cosimulation, Mathematical Geology, ...
  • Tran, T.T., Deutsch, C.V. and Xie, Y., ۲۰۰۱, Direct Geostatistical ...
  • Virieux, J., and Operto, S., ۲۰۰۹, An overview of full-waveform ...
  • Wu, Y. and Lin, Y., ۲۰۱۹, InversionNet: An Efficient and ...
  • Yang, F. and Ma, J., ۲۰۱۹, Deep-learning inversion: A next-generation ...
  • نمایش کامل مراجع