Уважаемые коллеги!
21 октября (среда) 2026 г. в 11:00 в конференц-зале ИНГГ СО РАН (к. 315) состоится геофизический семинар:
"Отображение в фазовое пространство, эвольвенты и эволюты сейсмического сигнала как новый подход к автоматическому поиску первых вступлений сейсмических волн"
Докладчик: Бурцев Григорий Евгеньевич, Томский государственный университет систем управления и радиоэлектроники; ООО «РН-Проектирование Добыча», г. Томск
Научный руководитель: Немирович-Данченко Михаил Михайлович, д.ф.-м.н., профессор Томского университета систем управления и радиоэлектроники
Аннотация: Пикирование первых вступлений сейсмических волн является одним из этапов обработки первичных полевых сейсморазведочных данных. Зарегистрированные сейсмическим приемником сигналы содержат в себе как микросейсмический шум, так и полезную информативную часть. К сожалению, ручное пикирование первых вступлений чрезвычайно трудоемко, особенно в случае 3D исходных сейсморазведочных данных. Из-за трудоемкости ручного пикирования возникла потребность предприятий нефтегазовой отрасли в автоматических способах поиска первых вступлений. В исследовании предлагается новый подход к пикированию первых вступлений сейсмических волн. Новый подход использует вычисляемые интервальные площадные характеристики: площадь сигнала в трехмерном параметрическом фазовом пространстве, площадь сигнала, формируемую его эвольвентами, и площадь сигнала, формируемую его эволютами. Находясь в области шумов-микросейсмов, амплитуды сигнала колеблются около нуля, но с началом информативной части сигнала его поведение значительно меняется. Предлагаемые к расчету характеристики имеют целью подчеркнуть данное изменение, усилив характер выраженности изменения поведения сигнала после момента времени первого вступления, облегчая тем самым его дальнейший автоматический поиск. Дополнительно в исследовании выполняется расчет интервальной площади сигнала под его огибающей, получаемой при помощи преобразования Гильберта. Поинтервальные площадные характеристики используются в тензоре данных для обучения пикирующей первые вступления нейросетевой модели. В исследовании применяются исходные полевые данные с трех разных месторождений Западной Сибири для обучения и апробации модели. При этом для обучения и для оценки ошибок пикирования первые вступления, предварительно определенные вручную, приняты за корректные эталоны. Полученная нейросетевая модель реализована на фреймворке машинного обучения TensorFlow и может быть встроена в состав специализированного геофизического программного обучения, выполняющего автоматический поиск первых вступлений.