Chaotic Reflection Instance Segmentation in Seismic Images: COCO Format Dataset Generation and Chaotic Region Identification Using Detectron2
Dit artikel presenteert een deep learning-framework met behulp van Detectron2 en een COCO-geformatteerde dataset gegenereerd via OpendTect en Label Studio om een superieure instantiesegmentatie van chaotische seismische reflecties te bereiken vergeleken met U-Net, waarbij wordt aangetoond dat een ResNet101-backbone de hoogste nauwkeurigheid van de bounding box oplevert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Onder de oceaanbodem vertelt de aarde haar verhaal in lagen gesteente en sediment, vastgelegd door geluidsgolven die terugkaatsen naar het oppervlak. Geofysici bestuderen deze seismische beelden al lang om olie en gas te vinden en om te begrijpen hoe de planeet gedurende miljoenen jaren is verschoven. Deze beelden zijn echter vaak rommelig. Terwijl sommige delen duidelijke, parallelle lijnen laten zien zoals pagina's in een boek, verschijnen andere gebieden als een chaotische bende van gebroken signalen. Deze "chaotische reflecties" markeren meestal plaatsen waar enorme aardverschuivingen of instabiele grond de gesteentelagen hebben door elkaar gehusseld. Het identificeren van deze zones is cruciaal voor het begrijpen van de geologische geschiedenis en het lokaliseren van hulpbronnen, maar dit handmatig doen is traag, moeilijk en foutgevoelig. Decennialang hebben wetenschappers geprobeerd computers te gebruiken om dit werk te automatiseren, maar de rommelige aard van de data heeft het tot een hardnekkig probleem gemaakt.
In een recente studie pakten onderzoekers Avik Roy en Anuja Arora deze uitdaging aan door een computer te leren om deze chaotische zones met een nieuw niveau van precisie te herkennen en in kaart te brengen. Ze richtten zich op een specifiek gebied in de Noordzee dat bekend staat als het F3-blok, een regio die rijk is aan geologische geschiedenis en koolwaterstofpotentieel. Het team begon met het extraheren van honderden seismische beelden uit een driedimensionale volumetrische dataset. Met behulp van gespecialiseerde software traceerden zij handmatig de grenzen van de chaotische regio's op deze beelden, waardoor een reeks "ground truth"-voorbeelden ontstond waar een computer van kon leren. Vervolgens zetten ze deze collectie afbeeldingen en hun handgetekende kaarten om naar een gestandaardiseerd formaat, wat in essentie het vertalen van de geologische data naar een taal is die moderne kunstmatige intelligentiesystemen kunnen begrijpen.
De onderzoekers testten een krachtig computer vision-framework genaamd Detectron2, dat ontworpen is om niet alleen objecten in een afbeelding te vinden, maar om elk object afzonderlijk te omlijnen. Dit is een aanzienlijke stap voorwaarts ten opzichte van oudere methoden die simpelweg een heel gebied inkleurden zonder onderscheid te maken tussen afzonderlijke kenmerken. Het team experimenteerde met verschillende versies van het "brein" van de computer, bekend als het backbone-netwerk, om te zien welke de patronen het beste kon leren. Ze probeerden modellen met variërende niveaus van complexiteit, variërend van een standaardopstelling tot veel diepere, meer ingewikkelde netwerken. Het doel was om een balans te vinden tussen nauwkeurigheid en snelheid, om ervoor te zorgen dat de computer de chaotische zones correct identificeert zonder een onredelijke hoeveelheid tijd nodig te hebben voor het verwerken van de data.
De resultaten toonden aan dat de computer inderdaad kon leren om deze complexe patronen te herkennen. De diepere, complexere netwerken waren beter in het tekenen van de buitenste kaders rond de chaotische regio's, vooral wanneer de kenmerken groot waren. Eén specifieke configuratie bereikte een hoog niveau van nauwkeurigheid bij het lokaliseren van deze grote gebieden, waarmee zij de simpelere modellen overtrof. Echter, wanneer het ging om het tekenen van de precieze binnenste grenzen van de chaotische zones, presteerde het simpelere model net zo goed als de complexe modellen, maar deed het dit veel sneller. Sterker nog, het simpelere model verwerkte elke afbeelding in een fractie van een seconde, terwijl de meest complexe versie bijna tien keer langer nodig had om een resultaat te produceren. Deze bevinding suggereert dat voor deze specifieke geologische taak een simpelere, snellere aanpak de meest praktische keuze kan zijn voor geologen die grote hoeveelheden data snel moeten analyseren.
De studie vergeleek deze nieuwe methode ook met een veelgebruikte techniek genaamd U-Net, die de standaard is voor dit soort werk. De nieuwe aanpak bleek superieur omdat deze in staat is om meerdere afzonderlijke chaotische zones binnen één enkele afbeelding te onderscheiden, terwijl de oudere methode de neiging heeft om ze samen te smelten tot één grote massa. Door elke chaotische regio als een afzonderlijk object te behandelen, biedt het nieuwe systeem geologen een duidelijkere, gedetailleerdere kaart van de ondergrond. De onderzoekers valideerden hun bevindingen door aan te tonen dat de voorspellingen van de computer gestaag verbeterden tijdens de training, totdat ze de kwaliteit van de door mensen gemaakte kaarten evenaarden. Ze demonstreerden ook dat het systeem met verschillende niveaus van vertrouwen kan omgaan, waardoor een gebruiker kan aanpassen hoe strikt de computer is over wat hij als een match beschouwt.
Uiteindelijk toont dit werk aan dat geavanceerde kunstmatige intelligentie kan worden aangepast om specifieke, moeilijke problemen in de geowetenschappen op te lossen. Door een nieuwe dataset te creëren en verschillende computerarchitecturen te testen, hebben de onderzoekers aangetoond dat het mogelijk is om de detectie van chaotische seismische reflecties met hoge betrouwbaarheid te automatiseren. De studie biedt een duidelijk pad voorwaarts voor geofysici, door een instrument aan te bieden dat tijd kan besparen en diepere inzichten kan bieden in de verborgen structuren van de aarde. Hoewel de technologie nog steeds wordt verfijnd, wijzen de resultaten erop dat het tijdperk van het uitsluitend vertrouwen op handmatige interpretatie voor deze complexe kenmerken ten einde komt, vervangen door een efficiëntere en preciezere digitale aanpak.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.