人工智能在物理学中的应用专题
报告现场1
报告现场2
报告现场3
陈经研究员回答提问
陈经研究员回答提问2
陈经研究员作报告
陈经研究员作报告2
陈经研究员作报告3
观众提问1
观众提问2
观众提问3
马琰铭教授回答提问
马琰铭教授作报告
马琰铭教授作报告2
唐乾元博回答提问
唐乾元博士回答提问
唐乾元博士作报告
唐乾元博士作报告2
提问现场
提问现场2
提问现场3
王崇愚院士回答提问
王崇愚院士作报告
王崇愚院士作报告2
王磊博士回答提问
王磊博士回答提问2
王磊博士作报告1
王磊博士作报告2
现场观众
张彦霞研究员回答提问
张彦霞研究员作报告
技术帖！爆发中的勘探地球物理人工智能应用研究
（2）关于所用技术：在所有107篇论文中，有72篇论文运用了深度神经网络DNN（其中46篇运用了卷积神经网络CNN，2篇运用了循环神经网络RNN），7篇论文运用了字典学习算法DL，5篇论文运用了生成对抗网络GAN，6篇论文运用了随机森林算法RF，17篇论文运用了各类聚类分析算法（如SVM、KNN、K-means、SOM等），还有9篇论文运用了其它算法。
（3）关于应用领域：107篇论文中，绝大部分论文涉及油气勘探地震数据处理与解释，有3篇论文涉及激发激化、电磁、磁法勘探数据分析，4篇涉及测井数据处理分析。论文内容涉及的应用领域分布如下：自动化处理解释方面的论文共53篇（其中地震相识别14篇、微地震信号检测10篇、断层拾取9篇、初至拾取5篇、近地表建模3篇、盐丘顶底拾取2篇、速度拾取2篇、地震道编辑1篇、层位拾取1篇、其它解释6篇），信号处理方面的论文共22篇（其中去噪13篇、提高分辨率4篇、地震数据重建与道插值4篇、数据压缩1篇），偏移反演方面的论文共15篇（包括叠后反演、叠前AVA反演、全波形反演、偏移等），油藏参数预测方面的论文共20篇（包括由地震属性预测岩性参数和流体性质12篇、测井参数分析4篇、油藏开发动态监测和产量预测等4篇），其中有些论文包含多个方面的应用。
（二）企业人工智能技术研发与应用
受时间和精力限制，笔者在本届SEG年会上没有系统而详细地参观和了解参展厂商有关人工智能应用的产品情况，而只是随机而又重点关注了部分参展厂商的情况，因此了解的情况不全面也不完全准确。
从展台参观情况看，将人工智能作为重要宣传点的厂商有：GeophysicalInsight公司、Emerson-Paradigm公司、WesternGeco公司，他们或在展台宣讲和展示，或在年会日报上刊文宣传，另外中国的群智合公司也参展展示其基于深度学习技术的地震初至拾取软件。
Paradigm公司展板
WesternGeco公司的盐丘顶底面自动拾取成果展示
群智合公司初至自动拾取展板
（三）开幕主题报告
谷歌云公司油气与能源部副总裁DarrylWillis在SEG年会15日上午的主题演讲中重点谈论了油气工业的数字化转型问题，他演讲的题目直截了当“TheCostofthestatusquo:Getonboardorgetleftbehind（现状的代价：赶上船还是被拉下）”。DarrylWillis在演讲中呼吁大家抓紧行动，采用云计算、人工智能、机器学习等技术从日益增长的海量数据中挖掘更多信息服务于决策和洞察，大幅度缩短地震数据采集、处理、解释到井位规划的周期，数据处理与分析解释周期从年缩短为周，井位规划等决策周期从月缩短为天。
DarrylWillis演讲中对地震资料处理解释自动化的展望
（四）SEG启动人工智能研究项目
值得提及的是，人工智能技术应用已经引起了SEG协会的高度重视，SEG主席NancyHouse于2018年9月18日出席在北京举办的“SEG人工智能与机器学习应用研讨会”并作“TheUnconventionalRevolutioninExplorationGeophysics:IsMachineLearningtheAnswer？”报告。
SEG还正在启动SEAMAI联合研究项目，旨在推动人工智能技术在勘探地球物理领域的应用。SEG人工智能联合研究项目有三个计划目标：
（1）为全球勘探地球物理行业人工智能研究定义一套用于数据交换、合作项目和研究交流的格式与标准；
（2）为油气地球物理行业定义最重要的人工智能挑战问题，发布一套可供公开使用的测试性能指标和测试数据；
（3）建立和管理一个勘探地球物理人工智能应用全球通讯交流网络。
SEG人工智能研究项目计划书
三、重要进展与成果
总观机器学习技术应用研究论文，感觉机器学习技术应用研究已经在几个应用领域取得了较大的进展，有些已经基本达到了实用化程度，有些已经在实际生产中取得了实质性的应用成果，而大多数还处于探索和试验之中。
印象较深的研究成果和重要进展简述如下：
1、盐丘顶底自动化解释
看到两篇有关盐丘顶底自动化解释方面的论文，一篇是Schlumberger旗下WesternGeco公司OddgeirGramstad和MichaelNickel的，另一篇是美国德州大学Austin分校YunzhiShi、XinmingWu和SergeyFomel的，两篇文章采用的技术方案基本类似而稍有差异。
Schlumberger公司OddgeirGramstad和MichaelNickel的文章考虑了两种场景，一个场景是在一个工区内选取约15%的手工拾取或半自动拾取的盐丘顶底面结果进行训练，然后应用于全工区；另一个场景是用一个工区的手工拾取结果进行训练，然后应用于相邻的其它工区。他们包含11个卷积层的卷积神经网络模型输入的是从三维地震数据体抽取的横测线分离出的二维地震剖面数据片（128x128）,输出是相同格式的图像，每个像素表示是否为盐丘顶/底（1或0）。测试结果表明，第一个场景下92%的盐丘顶面预测结果与人工解释结果误差不大于2个样点，而第二个场景84%的盐丘顶面预测结果与人工解释结果误差不大于2个样点。两个测试工区的面积分别为25419和33624平方千米，盐丘顶底面拾取处理的周期由原来的数周下降到数天。
用于盐丘顶底检测的卷积神经网络模型
从地震数据体中抽取的样本子集数据和对应的人工解释盐丘顶
盐丘顶面手工解释结果与基于训练的卷积神经网络模型自动解释结果对比
未包含在训练数据集之内另一个大工区盐丘顶面手工解释结果
与基于训练的卷积神经网络模型自动解释结果对比
另一个大工区盐丘底面手工解释结果
与基于训练的卷积神经网络模型自动解释结果对比
YunzhiShi、XinmingWu和SergeyFomel采用了与Schlumberger公司基本类似而稍有差异的技术方案。他们采用了基于卷积神经网络的编码-解码器网络，其中包含了7个卷积层，整个图像（400x400）通过该网络处理直接输出盐丘概率图像。他们采用了SEAM第一期模拟数据集进行试验，用若干测线的数据进行训练，然后应用于整个数据体进行测试。训练数据集的盐丘标签采用了XinmingWu研发的半自动化盐丘边界拾取技术进行处理得到。
应用于盐丘检测的基于卷积神经网络的编码-解码器网络
部分训练样本地震剖面及盐丘标签输出展示
部分测试样本地震剖面及盐丘检测输出结果展示
部分测试样本地震剖面及盐丘检测输出结果展示
2、自动化断层解释
断层的自动拾取是当前人工智能应用研究的一个主要方向（9篇论文涉及），今年报告的成果已经展示了其较强的实用性，但尚未见展现良好效果的规模化应用成果。断层自动拾取的研究方法基本都采用的是卷积神经网络，但在训练数据集的组织上却有两种完全不同的路线，一种是完全基于合成地震记录模拟不同倾角、不同断距的断层和不同频率子波的地震响应，构建卷积神经网络检查存在不同倾角断层的可能性，以此合成地震记录数据集作为训练数据集，训练出的卷积深度神经网络模型应用于实际地震记录，伍新明采用的就是这种方法。另一种就是直接在实际地震数据中选择部分数据作为训练数据集，以相干体作为断层存在概率的标签信息，以此训练出的卷积深度神经网络模型应用于其它实际地震数据，沙特阿美公司北京研发中心YueMa等采用的是这种策略。
美国德州大学Austin分校的伍新明等基于卷积神经网络模型进行断层检测的结果如下。其特点一是采用合成地震记录生成训练数据集，二是采用7层卷积神经网络模型不但能检测是否为断层，而且还能检测出断层的倾角。基于20万个训练样本合成地震记录训练得到的卷积神经网络模型应用于实际地震记录，其效果明显优于以前的相干系数和断层似然概率算法，但该文给出的只是二维地震图像处理结果。现场报告中提到了三维工作成果，构建了90个模型样本建立的训练数据集。
用于断层检测的卷积神经网络模型
用于训练的带断层和不带断层合成地震记录
卷积神经网络模型断层识别示意图
一个实际地震数据断层检测测试结果对比
另一个实际地震数据断层检测测试结果对比
这里以沙特阿美公司北京研发中心YueMa等的论文为例，详细介绍其方法和结果。下面图件分别给出了他们采用的卷积神经网络模型、输入数据、训练数据集、模型测试结果和实际地震数据应用结果。需要强调的是，他们采用的卷积神经网络模型包含两个卷积层、两个全连接层和一个softmax分类器，两个卷积层均包含64个5x5的滤波器，两个全连接层分布包含384和192个特征，采用了相干数据作为断层概率标签，预测输出给出中心点是否断层的概率，其输入的样本数据是包含纵测线、横测线和时间切片三个二维剖面数据（3x24x24），而不是一个三维数据体，输入数据进行了标准化预处理。从包含多个数据体构成的测试数据集中选择了50000个断层样本和50000个非断层样本进行训练，得到断层概率预测模型，然后应用于模型数据和实际数据。对一个未包含在训练数据集中的实际地震资料（1000x655x1083大小）进行了应用测试，预测准确率为74%，其计算时间为2.5小时，计算环境保护20个节点，每个节点包含40个CPU核。论文中未提及训练所耗费的时间。
卷积神经网络模型结构
卷积神经网络模型输入数据为纵测线、横测线和时间切片三个二维剖面数据
用于训练的地震数据体及标签数据体
断层和非断层样本示例
模型数据测试结果
实际地震数据体和CNN预测的断层概率数据体与相干体
断层概率时间切片
GeophysicalInsights公司的TaoZhao和PradipMukhopadhyay综合应用卷积神经网络模型和方向平滑/锐化处理来优化断层识别效果。首先，用基于二维数据片的卷积神经网络模型进行断层识别，然后用方向LoG平滑/锐化处理优化断层成像结果。
基于二维数据片的卷积神经网络模型
断层图像优化规则化流程
地震数据时间切片相干体和地震剖面（含训练标签样本）
优化算法预测的断层与地震相干体预测的断层
3、地震相自动识别
地震相自动识别方面的论文有14篇，采用的方法也千差万别，包括卷积神经网络、随机森林、字典学习、K-平均、K近邻和SOM等统计聚类方法。这里仅选择几个典型方法进行介绍。
美国德州大学Austin分校的NamPham、SergeyFomel和DallasDunlap的文章是唯一一篇河道检测方面的论文，他们借鉴计算机图像识别中的SegNet网络架构构建了编码-解码卷积神经网络，用于对三维地震数据体进行古河道检测，在合成地震记录上进行训练，用训练得到的网络模型对实际地震数据进行处理。卷积层包含16个大小为3x3x3的滤波器，每个卷积层后都有一个批处理归一化处理和2x2x2的池化层。
SegNet网络架构
合成地震记录训练数据
用于测试的实际地震数据
实际地震数据古河道检测结果
GeophysicalInsights的TaoZhao用编码器-解码器卷积神经网络进行地震相识别，输入地震剖面数据，同时得到地震剖面上每个样点的地震相分类识别结果。应用卷积神经网络进行地震相识别等处理有两大类方法，一类是基于片的模型（Patch-basedmodel），另一类是编码器-解码器模型（Encoder-decodermodel）。前者是输入一个地震图像片（如片大小为65x65x65），进行处理后输出的是整个图像的分类（只有一个值，如是否是盐丘、河道等，标记在图像的中心点）；而后者输入整个地震剖面，进行处理后输出的是整个图像上每个样点（像素点）上的分类，因此输入和输出的图像大小一样。因而，前者是图像级分类，后者是像素级分类，形成了图像的分割，而前者要达到像素级分类必须进行滑动处理，不难看出，前者需要的计算量更大。TaoZhao基于北海F3地震数据集进行了测试，得到了不错的结果。据TaoZhao报告，基于测线的分割算法相对基于片的像素级分类算法，性能要提高千倍。
地震相识别的两种卷积神经网络模型对比
地震相分类
训练数据集：340线地震剖面与拾取的地震相
纵测线150两个模型的地震相预测结果
横测线650两个模型的地震相预测结果
编码器-解码器模型地震相预测结果三维可视化展示
丹麦理工大学JesperS.Dramsch和MikaelLuthje也基于北海F3地震数据集进行了地震相识别研究，他们采用的是二维图像识别算法，而且采用的是图像识别领域两种常用的卷积神经网络模型Waldeland卷积神经网络模型和VGG16卷积神经网络模型。
Waldeland卷积神经网络模型结构
VGG16卷积神经网络模型结构
带标签的训练数据
横测线500的Waldeland卷积神经网络模型自动识别结果
横测线500的VGG16卷积神经网络模型自动识别结果
乔治亚理工学院的HaibinDi、ZhenWang和GhassanAlRegib也是用F3数据集进行研究，采用的是称为反卷积神经网络模型（DCNN）。
反卷积神经网络模型结构示意图
训练数据集剖面之一
DCNN网络训练学习曲线
反卷积神经网络模型预测结果
反卷积神经网络模型预测结果
乔治亚理工学院MuhammadA.Shafiq等人提出了一种基于稀疏自编码神经网络模型的非监督学习地震特征分析流程，提取地震数据图像中不同的特征信息。
基于稀疏自编码神经网络模型的非监督学习地震特征分析流程
稀疏权系数及其分类
北海F3数据集地震特征剖面图
SEAM模型数据集地震特征剖面图
新西兰实际地震资料特征时间切片图
4、初至自动拾取与近地表建模
有关初至拾取的论文有5篇，另外3篇论文是关于近地表建模的，也与初至拾取有一定的关系，这里选择若干典型结果作介绍。
休斯顿大学KuoChunTsai等人用一种半监督深度神经网络模型DSSNN进行地震初至拾取，首先用DUA（非监督深度自编码器，由非监督深度编码器DUE和非监督深度解码器DUD组成）对非标签样本数据进行训练，用以提取数据特征，然后用DDNN对标签样本数据进行训练，获得地震初至拾取模型。
半监督深度神经网络模型DSSNN示意图
（DUE表示非监督深度编码器，DUD表示非监督深度解码器，DDNN表示深度反卷积神经网络）
同一输入不同模型（DSNN和DSSNN）不同训练样本数（100-500）时神经网络模型的输出
监督深度神经网络和半监督深度神经网络模型预测的初至拾取结果
中国科技大学XudongDuan等人则构建了一个卷积神经网络模型对用其它方法获得的地震初至拾取结果进行可靠性分析，识别出不可靠的拾取结果。他们用35万道标签地震道进行训练，获得的模型用于验证数据集取得了97.9%的高精度分类，而用于另外的地震数据集也获得了95%的分类精度。他们采用的卷积神经网络模型，输入多道地震数据（根据地震初至拉平后的地震时窗数据，5道），输出为对应各道初至的可靠性评判结果（1为可靠的好结果，0为不可靠的坏结果）。
用于地震初至可靠性分析的卷积神经网络模型
根据地震初至拉平后的地震时窗数据道集（底部）
地震初至拾取可靠性分析说明
地震初至拾取及识别出的不可靠初至结果
坏拾取结果改正后的地震初至
Paradigm公司YanivHollander等人也提出了一种综合传统方法和卷积神经网络进行地震初至拾取的方法，他们首先将地震道分成一系列重叠的时间窗口数据段，用卷积神经网络检测该窗口中是否存在初至，如存在初至则用能量比法确定精确的初至时间。
用于检测时窗内地震初至存在性的卷积神经网络模型
用传统能量比法和综合方法拾取的初至进行校正后炮道集
沙特阿美公司TaqiAlyousuf等人提出了一种基于神经网络模型进行面波频散曲线自动拾取，进而反演近地表模型的方法。
地震炮点道集及面波频散
用于面波频散曲线拾取的神经网络模型
训练数据集示例
基于自动拾取反演的不同频率相速度分布
近地表速度模型三维展示
基于标准层析成像和构造规则化反演得到的静校正地震剖面对比
5、地震速度自动拾取
地震速度自动拾取方面有两篇文章，一篇是沙特阿美公司YueMa、XuJi、TongW.Fei和YiLuo的，另一篇是美国德州大学Austin分校ReetamBiswas等人的。前者基于卷积神经网络模型，后者基于循环神经网络模型。
沙特阿美公司YueMa等人的论文采用了卷积神经网络模型，输入数据为NMO校正处理后的二维CMP地震道集数据片，输出为速度比例值（与真速度的比值）。模型包括2个卷积层分别包括32和64个滤波器，卷积层后跟1个池化层，后面包含2个全连接层，每层有1024个神经元。文中给出了Marmousi模型数据集测试情况。
用于地震速度自动拾取的卷积神经网络模型
（a）速度正确
（b）速度偏小
（c）速度偏大
用于训练的NMO道集-标签值数据集
Marmousi模型数据集测试结果
美国德州大学Austin分校ReetamBiswas等人采用循环神经网络进行地震叠加速度估计，循环神经网络包含了1000个神经元，分析样本数据为一定时间窗口和偏移距范围（Nt*Nx）。用一个二维剖面地震数据进行测试，先用人工拾取获得叠加速度剖面，然后随机选出其中18%的CMP地震道集数据进行训练，对另外82%的CMP地震道集数据进行应用测试。
循环神经网络模型示例
CMP道集及速度拾取处理数据块表示
人工拾取的叠加速度与循环神经网络模型估计的叠加速度剖面对比
人工拾取速度和循环神经网络模型预测速度叠加剖面对比
一个CMP道集的处理结果对比
6、智能去噪
用机器学习进行噪声压制和提高信噪比的论文有13篇之多，采用了卷积神经网络、生成对抗网络、字典学习-稀疏表达等技术，限于篇幅在此就不作介绍了。
7、地震数据重建与道插值
地震数据的重建可以用来进行地震道内插、噪声压制、提高分辨率和数据压缩等，本届SEG年会中有关论文有9篇，采用的方法包括卷积神经网络自编码器、残差网络、生成对抗网络等。
WesternGeco公司StephenAlwon给出了基于生成对抗网络进行噪声压制和地震道内插的结果，GANAN和GATIN是分别用于噪声压制和道内插的网络模型。
GANAN生成对抗网络生成器和判别器架构细节
GATIN生成对抗网络生成器网络架构细节
地震道内插结果
同济大学和清华大学BenfengWang、NingZhang和WenkaiLu用残差网络进行炮点道集的重建，解决道内插问题。
ResNet残差网络架构
层状模型地震记录共炮点道集重建结果
实际地震数据共炮点道集重建结果
意大利米兰理工大学SaraMandelli等人用卷积自编码器进行叠前炮点道集的道内插。
U-Net卷积自编码器网络
不同缺道情况下的道内插结果
Chevron公司AdamD.Halpert应用生成对抗网络提高地震剖面的分辨率，该技术广泛应用于超分辨率图像处理中。
生成对抗网络可由低分辨率图像生成高分辨率图像
二维地震数据高分辨率处理结果
三维地震数据高分辨率处理结果
意大利米兰理工大学FrancescoPicetti等人也用同样的生成对抗网络提高地震资料的分辨率。
提高分辨率处理结果
8、储层参数预测
关于储层参数预测的应用场景较多。第一大类是测井曲线的处理，即基于多种测井曲线预测地层参数如岩性、孔隙度、泥质含量、含有饱和度等，这一场景是神经网络模型的一个成熟应用领域，有多篇论文采用的就是这一方法。第二大类是综合应用地震资料和岩石物理资料由地震数据预测储层参数，这一类的具体应用场景复杂多变，采用的方法技术也较多。限于本文篇幅过长，对此类论文也不作介绍了。
9、微地震数据分析
关于油气开采、非常规油气压裂产生的微地震信号检测、处理和分析解释的论文有多篇，限于本文篇幅过长，对此类论文不作介绍了。
10、反演
反演类的论文较多达14篇，涉及叠前AVA反演、叠后反演、全波形反演等，所采用的方法包括卷积神经网络、深度神经网络、Hopfield网络、字典学习与稀疏表达等多种，现选择几个结果作介绍。
斯坦福大学VishalDas等人试验了应用一维卷积神经网络模型由地震道反演波阻抗曲线，生成一系列不同地层岩性、孔隙度、泥质含量组成的一维模型，生成合成地震记录，以此训练一维卷积神经网络模型，用训练模型预测一维波阻抗曲线。试验表明，波阻抗反演的可靠性对地震子波频率较为敏感。
训练数据集合成地震记录流程
地震波阻抗反演卷积神经网络模型示意图
卷积神经网络模型地震波阻抗反演试验结果
电子科技大学BinShe等人用基于字典学习与稀疏表示（DLSR）方法处理地震道反演问题，他们用Marmousi模型和实际地震剖面进行了试验，并与其它方法进行了对比。
从Marmousi模型学习得到的波阻抗字典中的前30个原子
Marmousi模型不同信噪比条件下反演结果对比
一个实际二维地震剖面的波阻抗反演结果对比
哈尔滨工业大学WenlongWang等人则试验了用二维卷积神经网络模型直接由叠前炮点道集地震数据反演地震速度剖面。
用于叠前地震数据反演速度剖面的二维卷积神经网络模型
训练样本示例
样本测试反演速度模型
反演速度模型曲线示例
美国LosAlamos国家实验室YueWu等人提出了一种基于卷积神经网络的全波形反演网络模型“InversionNet”，网络模型具有编码-解码器架构，编码器提取地震记录中的高层次数据特征并压缩到一个高维向量中，解码器将其特征解码转换为速度模型，解码器里还加入了一个Atrous卷积模块。模型的输入是叠前地震道集，输出是速度模型。作者构建了60000个速度模型并计算合成地震记录，每个模型计算3炮，每炮32道，以此构成训练数据集，其中50000炮用于训练模型，10000炮用于测试。
基于深度学习的数据驱动反演技术示意图
InversionNet网络架构图
Atrous卷积模块示意图
InversionNet速度反演效果示例
德克萨斯大学Austin分校SonPhan和MrinalK.Sen提出了一种基于Hopfield神经网络的叠前AVA波形反演方法，从叠前角度道集反演得到角度反射系数，再转换成纵横波速度和密度参数。
反演得到的纵横波速度和密度曲线
反演得到的纵横波速度和密度参数剖面
休斯顿大学YuchenJin等人提出了一种数据驱动型的低频拓展方法，以改善全波形反演中的低频信息，他们采用了基于深度感知器（Inception）的卷积神经网络模型。
数据驱动低频扩展技术框架
深度感知器模型基本单元的结构
低频扩展全波形反应结果
德克萨斯大学Dallas分校YulangWu和GeorgeA.McMechan实现了一种基于卷积神经网络模型的全波形反演方法CNN-FWI，用卷积神经网络模型抽取目标体几何特征并用于速度反演，从而优化了全波形反演的精度，基于SigBee模型数据的测试表明其精度优于基于梯度下降法全波形反演。
CNN_FWI算法实现流程图
CNN_FWI算法中所用卷积神经网络
不同方法全波形反演结果对比
Rice大学的MaartenV.deHoop则对面向地球物理反问题的深度神经网络框架进行了一般性讨论，笔者对此没能消化吸收故不作进一步介绍。
四、有关问题的说明
1.关于训练数据集的问题
有关人工智能的研究需要海量数据进行训练和测试，不同作者根据研究内容采用了众多的合成地震数据和实际地震资料，有些是业界共享的，有些是自己计算生成的，有些是私有的实际地震数据，其中应用最多的是：Marmousi模型数据、SEAM模拟数据集、Opendteck北海F3数据集。
2.关于开发环境的问题
大多数论文中没有特别提及研究工作所依赖的软件开发环境，看到提及的包括（因笔者没有系统阅读论文全文，因此相信一定遗漏了许多）：Pytorch(www.pytorch.org)和TensorFlow(www.tensorflow.org)。据了解，目前人工智能研发应用较多的环境包括：TensorFlow，Caffe，Pytorch，MatLAB等。
特别提及的是，部分论文作者还开源了他们的研究数据和代码，如：
伍新明：断层检测，地址：https://github.com/xinwucwp/osv/
邸海滨：地层特征分区，断层检测，地址：https://haibindi.wixsite.com/haibin-di和https://ghassanalregib.com
Dramsch：地震相识别，地址：https://github.com/JesperDramsch/segam18
3.关于性能测试标准的问题
目前，人工智能技术在地球物理中的应用研究所采用的技术种类繁多，应用领域多而广，采用的测试数据和开发环境也不尽相同，更缺乏统一的性能测试标准，这些都在很大程度上制约了业界研究成果的交流、分析和评价。特别是，缺乏丰富的海量数据用于深度学习模型的训练和测试，限制了更多的研究者进入这个研究领域。相信，SEG协会即将开展的SEAMAI研究项目将为打破这一僵局提供好的开端。
******************************************************************
从今年SEG年会上机器学习方面的论文数量、采用的方法、应用领域和实际应用效果多方面综合来看，我们可以认为2018年是人工智能技术在勘探地球物理中应用研究的爆发年，而相对而言2017年可以看作是觉醒年。
这些研究开拓了我们解决地球物理问题的新思路、新途径，尽管大多数论文成果尚处于探索研究阶段，没有达到实际应用的水平，有些论文成果的技术路线正确但由于计算性能、泛化能力等方面的限制还达不到实用化水平。但不管如何，现有成果已经充分展现了机器学习技术特别是深度学习技术强大的解决问题的能力，充分展现了深度学习技术广泛的适应性，说明了这个领域是一个值得大家关注和发力的领域，是一个有待挖掘的金矿。
相信明年有更多、更丰富、更成熟、更实用化的研究成果展现。
2018年11月14日
本文来源《地学新视野》公众号
免责声明：海贝能源公众号旨在分享和传播优秀文化思想，无任何商业目的，版权归原作者所有，如有侵权请与我们联系！欢迎广大朋友投稿。返回搜狐，查看更多