Использование технологии машинного обучения для решения задачи восстановления спектра волнового поля

В современных работах использование спектральной информации для изучения свойств и строения пластов находит все большее применение. Спектральный анализ волнового поля позволяет изучить динамическое распределение энергии по частотным компонентам, которое в дальнейшем может быть использовано при геологической интерпретации. В данном исследовании на модельных данных были рассмотрены основные методы изучения спектрального состава волнового поля – вейвлет-преобразование и регрессионная ML-технология. В технологии вейвлет-преобразования используется принцип, основанный на вычислении функции взаимной корреляции между входной сейсмической трассой и локальным сигналом. В то время как оптимизационная методика базируется на решении задачи аппроксимации входной сейсмической трассы набором вейвлетов из заданного словаря. В настоящее время использование технологии машинного обучения при реализации оптимизационных подходов обретает актуальность. В рамках изучения динамических характеристик волнового поля возможность применения машинного обучения будет сводиться к решению задачи линейной регрессии. Существует значительное количество различных алгоритмов восстановления линейной регрессии, но не все они универсальны. В данной работе рассмотрен алгоритм регрессии Lasso, как один из наиболее распространенных методов L1-регуляризации, которая позволяет получать разреженное решение. По результатам проведенных исследований показана эффективность применения методики машинного обучения, в частности технологии Lasso, для решения задачи детальной оценки спектра сейсмических данных.