Применение сейсмических базовых нейросетевых моделей для решения задач обработки и интерпретации

Аннотация: В исследовании рассматривается применение предварительно обученных базовых нейросетевых моделей (foundation models) для обработки и интерпретации сейсмических данных. Авторы предлагают две специализированные архитектуры на основе трансформеров: для pre-stack (обработка сырых данных) и post-stack (анализ атрибутов) этапов. Модель для pre-stack данных использует метод MAE (Masked Autoencoder) для восстановления маскированных участков трасс, обеспечивая инвариантность к типу съемки и устойчивость к шумам. Для post-stack данных применяется иерархическая архитектура Hiera, сочетающая сверточные и трансформерные блоки, что позволяет эффективно выделять как мелкие, так и крупномасштабные геологические структуры. Предложенные модели обучаются методами самообучения (self-supervised learning), что устраняет необходимость в больших объемах размеченных данных. Результаты демонстрируют их эффективность в задачах шумоподавления и автоматической интерпретации, включая поиск геологических объектов. Исследование подчеркивает потенциал базовых моделей для ускорения и автоматизации сейсмических исследований, а также намечает направления для дальнейших разработок, такие как мультимодальность и оптимизация вычислительных затрат.