Детальная информация

Выпускная квалификационная работа посвящена разработке двухэтапного ней­росетевого комплекса для повышения разрешающей способности трехмерных сейсмических данных и автоматической сегментации геологических разломов. Для исследования использованы синтетический набор FaultSeg3D и реальный сейсмиче­ский объем Thebe Gas Field. Реализован конвейер подготовки данных, включающий контроль краевого нулевого заполнения, нормализацию амплитуд, официальноепространственное разделение выборок и формирование перекрывающихся трех­мерных фрагментов. Для восстановления сейсмического сигнала разработана трехмерная генеративно-состязательная модель OmniSeisGAN с мультидоменным энкодером SeisOmni. Для сегментации разломов разработана модель Swin Tiny на основе архитектурных принципов SwinUNETR. Обучение включало маскиро­ванное самообучение на обучающей части Thebe, предварительное обучение на FaultSeg3D и последующее дообучение на размеченных данных Thebe. На тестовой части Thebe модель Swin Tiny без предварительной SR-обработки достигла F1, равного 0,61, и AP, равного 0,65. Применение OmniSeisGAN перед сегментаци­ей повысило значения до 0,63 и 0,66 соответственно. Разработанный прототип может служить основой для дальнейшего развития методов автоматизированной структурной интерпретации сейсмических данных.

The thesis presents a two-stage neural network pipeline for enhancing three-dimensional seismic data and automatically segmenting geological faults. The experiments use the synthetic FaultSeg3D dataset and the real-world Thebe Gas Field seismic volume. The implemented preprocessing pipeline controls edge zero-padding, normalizes seismic amplitudes, uses the official spatial data split, and forms overlapping three-dimensional fragments. A three-dimensional generative adversarial model, OmniSeisGAN, with the SeisOmni multi-domain encoder was developed for seismic signal restoration. A Swin Tiny model based on the architectural principles of SwinUNETR was developed for fault segmentation. Training included masked self-supervised learning on the training part of Thebe, supervised pretraining on FaultSeg3D, and subsequent fine-tuning on labeled Thebe data. On the Thebe test split, Swin Tiny achieved an F1 score of 0.61 and an AP of 0.65 without preliminary SR processing. Applying OmniSeisGAN before segmentation increased the metrics to 0.63 and 0.66, respectively. The developed prototype can provide a basis for further research into automated structural interpretation of seismic data.