地震深度学习训练数据的一致性与先验证伪：以海上三角洲储层表征为例
地球物理
2021-09-01 v1
摘要
地震储层表征的深度学习应用常需要生成合成数据以增强可用的稀疏标注数据。一种生成合成训练数据的方法是指定建模储层性质先验地质不确定性的概率分布并正演模拟地震数据。先验证伪方法对于确立合成训练数据分布与真实地震数据的一致性至关重要。借助一个利用卷积神经网络(CNNs)进行海上三角洲储层相分类的真实案例，我们强调了在合成地震数据上训练深度学习模型的若干实际细微问题。我们强调了CNN对合成训练数据分布过拟合的问题，并提出了正则化策略以解决该问题。我们通过在合成数据上训练CNN并对真实3D部分叠加地震数据做出稳健预测，证明了所提策略的有效性。
引用
@article{arxiv.2108.13670,
title = {Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization},
author = {Anshuman Pradhan and Tapan Mukerji},
journal= {arXiv preprint arXiv:2108.13670},
year = {2021}
}
备注
Submitted to "Geophysics" journal