Prethodno priopćenje

https://doi.org/10.17794/rgn.2025.2.2

USPOREDBA PREDVIĐANJA POROZNOSTI IZ SEIZMIČKIH PODATAKA U BLOKU F3, NIZOZEMSKA, KORIŠTENJEM STROJNOGA UČENJA

Urip Nurwijayanto Prabowo ; Department of Physics, Faculty of Mathematics and Natural Science, Universitas Gadjah Mada, Yogyakarta, Indonesia
Sudarmaji Sudarmaji ; Department of Physics, Faculty of Mathematics and Natural Science, Universitas Jenderal Soedirman, Purwokerto, Indonesia
Jarot Setyowiyoto ; Department of Geological Engineering, Faculty of Engineering, Universitas Gadjah Mada, Yogyakarta, Indonesia
Sismanto Sismanto orcid.org/0000-0002-7671-0514 ; Department of Physics, Faculty of Mathematics and Natural Science, Universitas Gadjah Mada, Yogyakarta, Indonesia *

* Dopisni autor.

Sažetak

Poroznost je ključni aspekt karakterizacije ležišta. Može se procijeniti temeljem ispitivanja uzoraka stijena u laboratoriju ili neizravnim metodama temeljenim na karotažnim podatcima. Međutim, oba navedena pristupa dugotrajna su i ne pokrivaju velike površine. Stoga ovo istraživanje objedinjuje seizmičke i karotažne podatke u svrhu procjene poroznosti omogućujući na taj način obuhvaćanje većega područja. U ovome istraživanju procijenjena je poroznost u bloku F3 u Nizozemskoj za koji su dostupni ograničeni karotažni podatci iz bušotina. Kako bi se riješio taj problem, u ovome su istraživanju korišteni inverzijski generator (engl. inversion generator) i prediktivni generator (engl. forward generator). Inverzijski generator olakšava proces pretvorbe seizmičkih podataka u poroznost, dok prediktivni generator omogućuje modeliranje pretvarajući podatke o poroznosti natrag u seizmičke podatke. Prediktivni generator primjenjuje znanje iz geofizike kako bi nadomjestio nedostatak potrebnih podataka tijekom procesa obuke. Oba generatorska modela koriste se kombinacijom konvolucionarne neuronske mreže i mreže zatvorenih rekurentnih jedinica (engl. convolutional neural network-gated recurrent unit network (CNN-GRU)). Dodatno, u ovome su istraživanju korištene različite sheme obuke, kao što su zatvorena petlja (engl. closed-loop) i ciklički GAN (engl. Cycle-Generative Adversarial Network, Cycle-GAN), koje su uspoređene s pristupom otvorene petlje. Podatci iz bloka F3 sastoje se od šest naknadno skupljenih (post-stack) seizmičkih linija s međulinijskim razmakom od 40 metara i triju bušotina. Podatci iz dviju bušotina (F03-4 i F02-1) korišteni su za treniranje modela, dok su podatci iz bušotine F06-1 korišteni za validaciju. Rezultati pokazuju da ciklički GAN daje najtočnije procjene poroznosti sa srednjom kvadratnom pogreškom (MSE) od 0,603 i Pearsonovim koeficijentom korelacije (PCC) od 0,713. Ciklički GAN primjenjuje gubitak cikličke konzistencije za poboljšanje ažuriranja parametara i diskriminator za olakšavanje konkurentnoga učenja s generatorom, čime se povećava točnost. To pokazuje da ciklički GAN može postići točniju procjenu poroznosti na lokacijama s nedovoljnim brojem označenih podataka ili nedovoljno karotažnih podataka u usporedbi s otvorenim i zatvorenim petljama. Međutim, ciklički GAN zahtijeva više računalnoga vremena od ostalih metoda zbog potrebe za obukom više mreža. S druge strane, navedeno dodatno vrijeme obuke opravdano je poboljšanjem Pearsonova koeficijenta korelacije (PCC).

Ključne riječi

strojno učenje; poroznost; zatvorena petlja; ciklički GAN

Hrčak ID:

330708

URI

https://hrcak.srce.hr/330708

Datum izdavanja:

6.5.2025.

Podaci na drugim jezicima: engleski

Posjeta: 20 *