Disputas og prøveforelesning avholdes digitalt ved bruk av Zoom. Verten av Zoom-møtet vil moderere det tekniske mens disputasleder moderer disputasen.
Prøveforelesning
Fredag 28 januar, 10:15-11:00, Zoom
Supervised machine learning applied in interpretation of geological features in seismic data – weak versus full supervision
Kreeringssammendrag
Seismiske data brukes til å avbilde undergrunnen, men kan ikke brukes direkte da rådata fra feltundersøkelser inneholder en blanding av ulike refleksjoner og støy. Å separere det ønskede refleksjonssignalet fra støy ved hjelp av konvensjonelle metoder er både beregningskrevende og tidkrevende, og krever omfattende manuell parametertesting. For å automatisere og redusere kostnadene til denne prosessen foreslår denne avhandlingen en rekke maskinlæringsløsninger som har vist seg verdifulle for industriell prosessering av reelle data.
Hovedfunn
Populærvitenskapelig artikkel om Suns avhandling:
Deep learning-based seismic data processing for attenuation of interference noise and deblending in the shot domain
Under seismisk innsamling registreres reflekterte bølger fra undergrunnen av sensorer i lyttekabler i vannsøylen. De målte dataene brukes til å lage bilder av undergrunnen for utforskning av naturressurser. For å oppnå bilder av god kvalitet, må uønsket energi separeres, noe som er en vesentlig oppgave i seismisk databehandling. Historisk sett ville en skreddersydd fysikkbasert arbeidsflyt bestående av flere prosedyrer blitt implementert. Dette er vanligvis kostbart i form av arbeidskraft og bruk av dataressurser.
For å forbedre prosesseringsautomatisering og redusere kostnader, har denne oppgaven studert maskinlæring for å løse to grunnleggende problemer innen seismisk databehandling. Den første er fjerning av støy fra andre seismiske undersøkelser, kalt seismisk interferensdemping. Den andre er den såkalte deblendingen, dvs. separering av overlappende reflekterte data forårsaket av økt skytefrekvens i vår egen undersøkelse for å forbedre effektiviteten og/eller data-tettheten i innsamlingen. Det er også foreslått diverse teknikker for å videreutvikle behandlingskvaliteten til de datadrevne dype nevrale nettverkene. Den nyeste versjonen av våre maskinlæringsalgoritmer leverer nå resultater som ligner de beste tilgjengelige konvensjonelle fysikkbaserte algoritmene og med en brøkdel av beregningstiden. Dette representerer et betydelig fremskritt sammenlignet med state-of-the-art seismisk databehandling.
Foto og annen informasjon:
Pressefoto: Jing Sun, portrett; 500px. Foto: Privat
