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

موفقیت‌های اخیر در روش‌ های وارون ‌سازی شکل موج کامل مبتنی بر داده، منجر به رشد سریع تقاضا برای مجموعه داده‌های قابل دسترس به منظور استفاده در این مسائل شده است. کمبود مجموعه داده آموزشی به تعداد لازم و نزدیک به مدل‌های واقعی زیرسطحی برای آموزش شبکه‌های عصبی عمیق، یکی از کاستی‌های این روش ها در کاربردهایی ژئوفیزیکی است. برای حل این مشکل، در این مقاله، چارچوبی با استفاده از یک روش شبیه‌سازی زمین‌آماری برای تولید پایگاه داده آموزشی، استفاده شده است. ایده اصلی در این مقاله، استفاده از داده‌های چاه استخراج شده از مدل‌های مختلف و به تعداد دلخواه و قرارگیری در الگوریتم شبیه‌سازی متوالی مستقیم و شبیه‌سازی متوالی مستقیم توامان است. در این روش، برای بدست آوردن مدل‌های سرعت یا مخزنی قابل استفاده برای شبکه عمیق، از آماره‌های اولیه (میانگین و واریانس) که از داده‌های چاه بدست می‌آید، در مراحل شبیه‌سازی استفاده می‌شود. همچنین با استفاده از الگوریتم شبیه‌سازی متوالی مستقیم توامان و به کارگیری تصویر ثانویه (تصویر مدل اصلی با درصدهای متفاوت همبستگی) تولید مدل‌های با پیوستگی بیشتر ارائه شده است. استفاده از درصدهای مختلف همبستگی تصویر ثانویه منجر به تولید مدل‌های متنوع زمین‌شناسی شده است. در این مقاله، مثال‌های گوناگونی از مدل‌های 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 30، 50 و 70 درصد برای استفاده از تصویر ثانویه در تولید داده آموزشی استفاده شده است. نتایج، نشان‌دهنده تولید پایگاه آموزشی با مدل‌های مرتبط با ساختارهای زمین‌شناسی متنوع است.