时域激发极化的数据驱动建模
摘要
我们提出了一种利用变分自编码器(VAE)对时域激发极化(IP)现象进行数据驱动建模的新方法。VAE是贝叶斯神经网络，旨在学习潜在的统计分布，将海量数据集编码为低维表示。我们在加拿大、美国和哈萨克斯坦的不同地区收集了1 600 319条IP衰减曲线，并编译用于训练一个深度VAE。所提出的深度学习方法严格无监督且数据驱动：它不需要对IP数据进行人工处理或真值标注。此外，我们的VAE方法避免了使用经验Cole-Cole和Debye分解模型、简单幂律模型或其他复杂机理模型进行IP参数化的缺陷。我们展示了VAE在IP数据建模与处理中的四种应用：(1)代表性合成数据生成，(2)无监督贝叶斯去噪与数据不确定性估计，(3)信噪比的定量评估，以及(4)自动化离群值检测。我们还解释了IP汇编的潜在表示，并揭示了其第一维与IP衰减的平均充电率之间的强相关性。最后，我们尝试了不同的VAE潜在空间维度，证明单个实值标量参数已包含编码我们海量IP数据汇编的充足信息。这一新发现表明，使用由多于一个自由参数支配的数学模型对时域IP数据建模是模糊的，而仅对平均充电率建模是合理的。我们模型的预训练实现——可直接应用于来自任意地理位置的新IP数据——作为开源Python代码提供给应用地球物理学界。
引用
@article{arxiv.2107.14796,
title = {Data-driven modeling of time-domain induced polarization},
author = {Charles L. Bérubé and Pierre Bérubé},
journal= {arXiv preprint arXiv:2107.14796},
year = {2024}
}
备注
38 pages, 11 figures, 3 tables, 1 appendix. Manuscript submitted to SEG Geophysics for review. Original manuscript uploaded to arxiv.org in accordance with SEG's Preprint Policy ( https://library.seg.org/page/policies/preprints ). For associated code, see https://doi.org/10.5281/zenodo.5148538