2.1 Evolusi struktural dan tektonik regional
3.2.1.1 Jaringan Feed-Forward
kami mengevaluasi bobot keluaran menggunakan kuadrat terkecil (Li et al., 2019a). Baru-baru ini, ELM sedang
label sasaran. Untuk jaringan saraf feed-forward satu lapis dengan neuron tersembunyi,
ÿ
mereka memperoleh nilai-nilai, yang memungkinkan mereka mempelajari tugas-tugas tertentu, seperti mengenali pelat mobil
arsitektur jaringan saraf (Schmidhuber, 2015) dan telah berhasil dalam banyak tugas.
}; = 1 … ,
, )
Model Extreme Learning Machine (ELM) pada awalnya diusulkan sebagai algoritma pelatihan untuk single aturan spesifik—sebaliknya, jaringan ini membentuk aturan nonlinier kompleks dalam dimensi tinggi
terinspirasi oleh kognisi manusia, khususnya bagaimana neuron bekerja sama dan memproses informasi. Itu
. Berikut adalah vektor fitur dimensi dan merupakan vektor keluaran atau target yang sesuai
ÿ
=1
) ÿ
,
Bobot diinisialisasi dengan nilai acak dan keluaran dihitung; itu
Di sini, adalah fungsi aktivasi, dan merupakan biasnya. Aktivasi ada banyak macamnya ,
algoritma backpropagation kemudian digunakan untuk mencari bobot optimal (Schmidhuber, 2015).
fungsi, tergantung pada tugas dan aplikasinya. Gambar 3.3 menyoroti beberapa aktivasi umum fungsi. Tugas fungsi aktivasi adalah memperkenalkan nonlinier dalam pembelajaran
ÿ
,
= (ÿ
ÿ
solusi kuadrat terkecil. Dalam notasi matriks, kita dapat menulis Persamaan. 6 sebagai
= ---7
+ ) ---8
Dimana ÿParameter ÿ ELM dapat dihitung dengan mencari sistem linier
Jadi, R masing-masing adalah bobot masukan, bias, keluaran
×
Dan
Fungsi aktivasi berbeda digunakan, seperti sigmoid, ReLU, dll., bergantung pada
Output pada satu neuron di lapisan tersembunyi dapat dinyatakan sebagai
proses, kecuali untuk fungsi aktivasi linier.
bobot, dan fungsi aktivasi node tersembunyi ke-i . Untuk kumpulan data pola input-output N ( ,
aplikasi.
Gambar 3.2 Arsitektur Jaringan Neural dari jaringan saraf feed-forward lapisan tersembunyi tunggal.
+1
ÿ = ÿ
---9
metode penurunan baik dalam batch mini atau secara batch untuk menemukan minimum yang optimal
( ) =
Fungsi biaya dapat didefinisikan sebagai mean square error antara yang diharapkan dan yang sebenarnya
ÿ ÿ ÿ. ---10
secara rekursif. Lebih luas lagi, untuk neuron di lapisan tersembunyi, bobotnya dapat diperbarui menjadi
keluaran.
Untuk melatih jaringan saraf, bobot dan diinisialisasi secara acak. Diberikan sebuah pembelajaran
Fungsi biaya diminimalkan, seperti yang ditunjukkan pada Gambar 3.4, dengan menggunakan algoritma penurunan gradien.
,
Peringkat dari
algoritma backpropagation digunakan untuk mencari bobot optimal menggunakan gradien
2 1
Gambar 3.3 Berbagai jenis fungsi aktivasi jaringan saraf (Datacamp, 2019).
hanya satu lapisan tersembunyi. Namun, hal ini harus mengorbankan banyak parameter yang diperlukan Membangun gagasan tentang satu lapisan tersembunyi, jaringan saraf dalam, seperti namanya,
beroperasi dengan memiliki beberapa lapisan tersembunyi antara lapisan masukan dan lapisan keluaran. Hal ini memungkinkan .
dari jaringan saraf dalam, yang merupakan jaringan feed-forward dengan empat lapisan tersembunyi, yang masing-masingnya 3.2.1.2 Jaringan Neural Dalam (DNN)
neuron pada satu lapisan terhubung ke setiap neuron pada lapisan berikutnya. Hal ini memungkinkan jaringan untuk mempelajari representasi data yang kompleks dan nonlinier.
Setelah setiap zaman, bobot diperbarui sebagai
disesuaikan/dipelajari serta kebutuhan untuk memiliki sampel pelatihan dalam jumlah besar, atau ada ---11
risiko bahwa jaringan akan mulai melakukan overfitting pada data pelatihan. Gambar 3.5 menunjukkan arsitekturnya
= + ÿ
mereka untuk mempelajari hubungan yang lebih kompleks dan nonlinier, yang tidak mungkin dilakukan dengan memiliki
Gambar 3.4 Minimalkan kesalahan untuk jaringan saraf (Medium, 2017).
pengambilan sampel dan lapisan konvolusional yang memungkinkannya mempelajari representasi fitur hierarki
3 3 atau 5 5 menyaring dan dikalikan pada rentang nilai piksel dengan langkah tertentu.
fitur dari lapisan konvolusi. Ini juga berfungsi untuk meningkatkan kecepatan komputasi
sumber data yang kaya informasi, seperti gambar, video, dll. Gambar 3.6 menunjukkan arsitektur
proses pembelajaran. Setelah dikumpulkan, keluarannya diratakan dan diumpankan ke lapisan yang terhubung sepenuhnya.
Bobot filter ini dipelajari lagi melalui propagasi mundur dan dikirim ke akhir
jaringan saraf konvolusional yang mempelajari cara mengidentifikasi objek di jalan, seperti mobil, 3.2.1.3 Jaringan Neural Konvolusional (CNN)
pelatihan. Mereka mewakili peta fitur yang mewakili set pelatihan (Saha, 2018).
sepeda, dan truk. Lapisan konvolusional mempelajari variasi spasial dan temporal dalam suatu gambar Jaringan saraf konvolusional adalah jenis jaringan pembelajaran mendalam yang spesifik
Lapisan penyatuan memberikan pengurangan dimensi dengan hanya menyimpan yang paling penting dengan mempelajari peta fitur atau filter. Ini adalah filter lapisan konvolusi, yang biasanya
Gambar 3.5 Jaringan saraf dalam dengan empat lapisan tersembunyi.
tugas. Jaringan ini melakukan reduksi dimensi dengan menyediakan level rendah
Jaringan saraf berulang memiliki konektivitas dua arah, berbeda dengan jaringan saraf feed-forward
tidak hanya masukan saat ini, namun juga masukan historis yang diperhitungkan. Ini sangat berguna
Peta yang dapat diatur sendiri adalah jenis jaringan saraf yang berguna untuk pembelajaran tanpa pengawasan
3.2.1.5 Jaringan Neural Berulang (RNN)
untuk tugas berbasis urutan di mana sampel memiliki ketergantungan atau korelasi satu sama lain kemampuan belajar menurun seiring berjalannya waktu. Proses ini diulang beberapa kali.
3.2.1.4 Peta Pengorganisasian Mandiri (SOM)
masukan dari neuron sebelumnya dan masukan saat ini untuk menghasilkan keluaran. Jaringan ini mengambil lapisan tersembunyi membentuk lingkaran untuk mentransfer informasi di antara mereka. Setiap neuron menerima tetangga dari vektor bobot yang dipilih juga mendapat imbalan. Jumlah tetangga dan mereka
dkk., 2014), dan banyak lagi. Gambar 3.7 menunjukkan arsitektur jaringan saraf berulang dimana peta vektor berat. Bobot yang dipilih menjadi lebih mungkin dibandingkan secara kebetulan, sedangkan secara acak, dan bobot yang paling mewakili sampel ditemukan dengan mencari
sangat mahir dalam deteksi tulisan tangan (Graves et al., 2008), pengenalan suara (Hannun
keadaan memori internal yang memungkinkan mereka menangani input dengan panjang variabel. Hal ini membuat mereka perwakilan. Vektor bobot diinisiasi oleh SOM. Langkah selanjutnya memilih vektor sampel
skema pembelajaran (Kohonen, 1997): jika diberikan sekumpulan poin data, semua poin data bersaing untuk mendapatkannya
kemampuan untuk mempertimbangkan hubungan temporal dalam data sambil mempelajari suatu tugas. Jaringan ini punya jaringan. Dengan kata lain, informasi membentuk lingkaran dalam jaringan ini. Ini memberi mereka
representasi ruang fitur masukan. Jaringan ini belajar dengan mempekerjakan kompetitif
misalnya, perkiraan deret waktu.
Gambar 3.6 Arsitektur jaringan saraf konvolusional (Saha, 2018).
yang dapat memodelkan ketergantungan jangka panjang pada data sekaligus memecahkan masalah hilangnya data
redundant untuk dikeluarkan dari jaringan, sedangkan gerbang input memungkinkan informasi baru keluar
Jaringan Hopfield adalah jaringan saraf berulang satu lapis yang diperkenalkan pada tahun 1982 oleh gradien. Gambar 3.8 menunjukkan arsitektur LSTM. Ini terdiri dari empat saraf yang berinteraksi
lapangan hop. Ini memiliki kegunaan dalam tugas asosiasi otomatis dan pengoptimalan. Arsitektur Hopfield ditambahkan. Gerbang keluaran menghasilkan keluaran berdasarkan semua gerbang dan keadaan lainnya.
lapisan jaringan, memungkinkan mereka untuk melupakan atau mengingat informasi secara selektif. Itu Gerbang dalam arsitektur ini adalah gerbang lupa, gerbang masukan, dan gerbang keluaran. Gerbang ini LSTM diperkenalkan pada tahun 1997 (Hochreiter dan Schmidhuber, 1997). Ini adalah semacam RNN
mengatur informasi ke keadaan sel. Gerbang lupa memungkinkan informasi sebelumnya yang dianggap Jaringan Memori Jangka Pendek Panjang (LSTM)
Gambar 3.7 Arsitektur jaringan saraf berulang (Gupta et al., 2019)
Jaringan Hopfield
Gambar 3.8 Arsitektur jaringan LSTM (Olah, 2015).
Gambar 3.9 Arsitektur jaringan saraf Hopfield (tutorialspoint)
= 0. Pembaruan node dilakukan sesuai dengan
mewakili ambang batas simpul
algoritma: generator dan diskriminator bekerja bersama-sama untuk memahami
Secara matematis bobot dapat dinyatakan sebagai persamaan di bawah ini, sehingga = dan
mewakili keadaan node
variasi yang diberikan kumpulan data. Gambar 3.10 menunjukkan arsitektur GAN. Pembangkitnya adalah a mewakili bobot kekuatan koneksi dari node ke node
keluaran; artinya, keluaran setiap neuron merupakan masukan dari setiap neuron lain kecuali dirinya sendiri.
2014). Ini adalah kelas algoritma pembelajaran mendalam tanpa pengawasan yang terdiri dari dua Jaringan Adversial Generatif diperkenalkan pada tahun 2014 oleh Goodfellow (Goodfellow et al., jaringan ditunjukkan pada Gambar 3.9. Setiap neuron dikaitkan dengan pembalik dan non-pembalik
Di Sini
3.2.1.6 Jaringan Adversial Generatif (GAN) ÿ ÿ1
pola terdekat, atau lebih tepatnya tebakan terbaik. Ia dapat mencapai stabilitas yang mirip dengan otak manusia.
---12
ÿsejumlah pola selama pelatihan. Selama pengujian, dengan adanya pola bising, sistem ini dapat memulihkan Bobot dapat diperbarui sekaligus atau satu unit dalam satu waktu. Awalnya, jaringan toko Hopfield
ÿ { +1 ÿ
Gambar 3.10 Arsitektur jaringan GAN (GeeksforGeeks, 2019).
3.3 Pembelajaran Mesin dalam geosains
keduanya mencapai kinerja optimal dalam tugasnya masing-masing. GAN berguna untuk data
1972), dan penggunaan k-means terjadi pada awal tahun 1964 di bidang geosains (Preston dan
interpretasi kesalahan dalam survei seismik 3D di Laut Utara bagian utara.
untuk membedakan sampel data asli dan palsu. Setelah dilatih, generator dan diskriminator
Model Markov digunakan sejak tahun 1970an untuk menjelaskan sedimentologi (Schwarzacher,
Publikasi Early Machine Learning (ML) menerapkan Neural Networks (NNs) pada geofisika data langka, dan kemampuan komputer serta algoritma tidak dapat diakses untuk waktu yang lama.
menghasilkan sampel data palsu untuk mengalahkan diskriminator. Tugas diskriminator adalah
masih belum memiliki kebenaran dasar yang dapat diandalkan. Tesis ini berfokus pada penerapan jaringan saraf untuk (Tartakovsky dan Wohlberg, 2004). Data geosains seringkali tidak tersedia dan biasanya tersedia
model probabilistik generatif yang mempelajari deskripsi data; setelah ia mengetahui hal itu, ia kemudian
Model pembelajaran mesin memiliki sejarah panjang dalam geosains tetapi belum mendapatkan daya tarik seperti itu
Klasifikasi AVO (Li dan Schwartz, 2004) dan fasies geologi untuk studi hidrologi
Reddy dan Bonham-Carter, 1991). Awalnya, dukungan Vector Machine (SVM) diterapkan Pohon Keputusan (DT) dalam geologi ekonomi dan geofisika eksplorasi (Newendorp, 1976, aplikasi, dimana data pelatihan sangat terbatas atau mahal untuk diperoleh.
ditambah untuk membuat beragam model ML. Ini juga berguna jika ada data yang hilang dan
dalam geofisika (Zhao dan Mendel, 1988). Metode awal berbasis pohon terutama digunakan dengan Henderson, 1964). Pada tahun 1980an, jaringan saraf diterapkan untuk menganalisis dekonvolusi seismik
augmentasi karena mereka memberikan contoh-contoh yang masuk akal untuk domain tertentu, yang kemudian dapat menjadi contoh
masalah. Khususnya, pemrosesan seismik digunakan untuk mengeksplorasi NN sebagai fungsi umum
secara mendalam. Survei manusia selama bertahun-tahun telah menghasilkan kebutuhan ilmiah akan katalog geologi Neural Networks (NNs).mereka mengidentifikasi aplikasi bawah permukaan geosains berikut: seismik
permasalahan geofisika. Pembelajaran mesin menggunakan metode yang diawasi dan tidak diawasi Model Markov (RMM), Model Markov Tersembunyi (HMM), dan SVM. Selain itu, NASA
analisis menyimpulkan bahwa pendekatan seperti itu secara umum menjanjikan.
Kemajuan terkini dalam pembelajaran mesin dan penerapannya di berbagai industri sedang berkembang
menonjol. Awalnya, (Zhao dan Mendel, 1988) menggunakan Neural Networks (NNs) untuk melakukan selama 30 tahun sebelum penelitian dan menyoroti analisis seismik dan log otomatis. Itu
mengandalkan kumpulan data pelatihan; ia menggunakan pendekatan pengelompokan untuk menyatukan hal-hal terkait yang tidak terlihat Secara umum, tinjauan ini sangat berfokus pada eksplorasi geosains.. (Mjolsness dan DeCoste,
metode dan menyoroti penggunaan pengenalan pola, menjelaskan matematika komputer dasar
karakteristik yang harus didefinisikan tanpa memodelkan proses di baliknya. Mereka juga berdiskusi kawah, patahan dan punggung bukit (Mjolsness dan DeCoste, 2001).
analisis, dekonvolusi seismik, klasifikasi peristiwa dan pengeditan jejak. Artikel ini menyimpulkan
Metode bergantung pada kumpulan data pelatihan. Ini menggunakan metode regresi atau klasifikasi, yang mengenali dan mengklasifikasikan pola terkait dalam data geologi atau geofisika. ML yang Diawasi
inversi, magnetotelurik, pemisahan gelombang geser, elektromagnetik, pengambilan istirahat pertama, log sumur
citra orbit Mars, menghasilkan puluhan ribu karakteristik termasuk dampaknya
gelombang baru eksperimen dan inovasi, khususnya di industri minyak dan gas untuk memecahkan masalah tersebut (Van der Baan dan Jutten, 2000) meninjau perkembangan terkini dalam aplikasi geofisika
Penulis JPL mengeksplorasi pengenalan pola pada kendaraan otonom untuk prospek geologi Mars
Dalam pemrosesan dan analisis data seismik, aplikasi awal jaringan saraf adalah
prestasi dalam studi geologi robotik dan data satelit. Para peneliti tersebut antara lain Random
dalam pembelajaran mendalam.
jaringan saraf berulang dalam data ekspresi gen, yang telah mengalami kebangkitan sangat ringkas (McCormack, 1991). Penulis merangkum implementasi jaringan saraf
2001)Studi ML dalam arti yang lebih luas, di luar geosains eksplorasi, menunjukkan perkembangan terkini ML
pola dalam data.
Penulis menganalisis bagaimana implementasi SVM memungkinkan terjadinya geomorfologi diperkirakan (Hornik dkk., 1989). Pada tahun 1991, McCormack meninjau jaringan saraf baru
bahwa jaringan saraf terlalu mahal dan rumit untuk memiliki nilai sebenarnya di sektor geosains.
memprediksi pengukuran kontinu untuk suatu observasi. Metode ML Tanpa Pengawasan tidak
anomali geokimia (Zuo dan Xiong, 2018) menggunakan pemodelan hidrologi dan Vertical Auto berfungsi mirip dengan jaringan saraf konvolusional (CNN) modern untuk memantau cakrawala 3D
Pendekatan Interpretasi Seismik Otomatis (Liu et al., 2015, Di et al., 2017b, Mardan et al., inversi, dan pemodelan geostatistik diselesaikan pada waktu yang sama (Mosser et al., 2018b, percobaan (Feng dan Seto, 1998). Menarik untuk dicatat bahwa (Legget et al., 1996) menggunakan a
Broccardo, 2019a).
dkk., 2018, Malfante dkk., 2018). Mengingat dasar matematika yang kuat dari SVM, sejumlah Paulson, 2003). Jaringan saraf menggunakan mikrofraktur geomekanik dalam kompresi triaksial
menggunakan baseline SVM (Hall, 2016), bersama dengan beberapa studi SVM tambahan untuk well-log atau klasifikasi peristiwa (Ross et al., 2018b, Zhu dan Beroza, 2019), dan deteksi kesalahan seperti a (Röth dan Tarantola, 1994). Geofisika elektromagnetik baru, berdasarkan aplikasi ML, hadir
(DeVries et al., 2018) dipertanyakan oleh publikasi, “Satu neuron versus aplikasi pemrosesan, analisis dan interpretasi, serta seismologi, adalah standar.
CNN saat ini diterapkan pada beberapa tantangan geosains seperti inversi seismik (Araya
(Masotti et al., 2006, Masotti et al., 2008) dan penggunaan awal termasuk radar penembus tanah 2017). Selain itu, penerapan awal mencakup klasifikasi gempa vulkanik dan seismologi
(Leggett dkk., 2003).
Encoder (VAE) (Sahoo dkk., 2017). Ground Penetration Radar (GPR) dan berbagai seismik
SVM digunakan pada awal analisis data seismik (Li dan Schwartz, 2004), dan pada umumnya kombinasi dari Self-Organizing Map (SOM) dan jaringan saraf propagasi mundur itu
Mosser dkk., 2018a, Laloy dkk., 2017). Aplikasi ML selanjutnya ditingkatkan untuk mendeteksi
masalah geosains, seperti klasifikasi peristiwa mikro-seismik, diterapkan (Zhao dan
telah diterapkan pada seismologi untuk klasifikasi kejadian dan untuk menilai besarnya (Ochoa Studi Networks (GAN) menggunakan pemodelan batuan digital geosains (Mosser et al., 2017), seismik
dikritik karena merekayasa masalah yang terdefinisi dengan baik secara berlebihan pada data masukan yang lebih sedikit (Mignan dan pembelajaran mendalam dalam prediksi gempa susulan” (Mignan dan Broccardo, 2019b). Kertas aslinya adalah lokasi bawah permukaan, serta magnetotelurik, melalui jaringan saraf Hopfield (Zhang dan
masalah segmentasi, dipertimbangkan oleh (Wu et al., 2019a). Permusuhan Generatif
analisis.(Gupta dkk., 2018, Caté dkk., 2018, Saporetti dkk., 2018). Pendekatan ini juga memiliki Baru-baru ini, beberapa penerapan jaringan saraf dalam (DNN) untuk memprediksi gempa susulan dekonvolusi seismik. Program inversi seismik dengan jaringan saraf diterbitkan oleh
Polo et al., 2018), aplikasi dalam seismologi- seperti ekstraksi first-break (Ross et al., 2018a)
analisis (Pasolli et al., 2009, Xie et al., 2013). Tantangan SEG ML 2016 telah dilaksanakan
deteksi tanah longsor dari pemantauan seismik (Wang et al., 2017, Jeong et al., 2014, Bicego lokalisasi (Dodge dan Harris, 2016), pengenalan peristiwa gempa vulkanik (Maggi et al., 2017),
2011), serta interpretasi seismik (Ferreira et al., 2018), pemodelan cekungan (Martinelli et al., 2018), Roy, 2017).
aplikasi untuk jaringan saraf, hutan acak (RF) diterapkan dengan keberhasilan yang terbatas
interpretasi seismik (Pedersen et al., 2002) bersama dengan jaringan saraf (Zheng et al., 2014).
lebih penting ketika diterapkan pada penelitian ilmiah (Buitinck et al., 2013). Mirip dengan
tugas. Metode seperti itu bergantung pada berbagai kumpulan data berlabel dan rentan terhadap masalah ML SEG ML Challenge (Hall and Hall, 2017) dan mendorong beberapa publikasi menuju prediksi tersebut dkk., 2012, Chaki dkk., 2018, Ballabio dan Sterlacchini, 2012).
setara k-means tanpa pengawasan digunakan untuk interpretasi seismik (Di et al., 2017a),
analisis log (Saporetti et al., 2018, Caté et al., 2017) dan ikatan sumur seismik (Wang et al., 2017), pemodelan patahan (Valera et al., 2017) dan prediksi patahan (RouetÿLeduc et al., 2017).
Pendekatan pembelajaran mesin telah diterapkan dalam berbagai disiplin ilmu geosains, dengan al., 2013) dan pemodelan aliran dalam Discrete Fracture Networks (DFNs) (Karra et al., 2018).
dan analisis slip lambat (Hulbert et al., 2018). Banyak aplikasi geomekanik termasuk
dkk., 2012, Beyreuther dan Wassermann, 2008). K-tetangga terdekat (KNN) digunakan untuk sumur
Seismologi didasarkan pada grafik untuk memprediksi parameter gempa (Kuehn et al., Interpretasi Seismik Otomatis (Guillen et al., 2015). Aplikasi seismologi meliputi
Model Markov digunakan untuk mengkarakterisasi kejadian seismologi, klasifikasi log sumur dan hutan telah digunakan untuk mendeteksi perubahan sifat reservoir dari data seismik 4D (Cao dan
kecepatan seismik (Wei et al., 2018). Algoritme antipelacakan biologis biasanya digunakan untuk validasi model gerakan tanah (Khoshnevis dan Taborda, 2018), dan pemilihan
Hutan acak dan pendekatan berbasis pohon lainnya, termasuk peningkatan gradien, telah diberikan
fasies (Saporetti et al., 2018, Blouin et al., 2017, Bestagini et al., 2017). Selain itu, acak
geosains yang melekat pada data geosains dan biaya perolehan data.
dikombinasikan dengan DTW dan ekstraksi sesar dalam interpretasi seismik (Hale, 2013). Itu
Gross, 2017), termasuk ikatan sumur seismik, pemodelan batuan digital dan kerentanan tanah longsor (Ma
Gradient Boosted Trees adalah model paling efisien untuk melakukan analisis log sumur pada tahun 2016
tujuan utama untuk meningkatkan potensi prediktif atau mengotomatisasi yang mahal dan padat karya
kumpulan data dengan hasil yang diketahui, dan kumpulan data pelatihan kemudian diterapkan ke kumpulan data lain dengan Masalah 'Big Data' dalam upaya menafsirkan lusinan, bahkan ratusan volume data- dan
data pelatihan. Lapisan kedua dari algoritma kemudian memberikan jumlah kelas masukan tidak perlu dipahami terlebih dahulu untuk mengidentifikasi tren pada data.
metode interpretasi seismik penting yang digunakan untuk menentukan jarak vektor masukan dan hasil yang berulang dan akurat untuk interpretasi seismik. Pembelajaran mesin dalam seismik
(Smith, 2010).
algoritma komputer dilatih dari data masukan dan kemudian dimodifikasi secara independen untuk menghasilkan
data masukan tanpa respons berlabel. Ini dapat digunakan untuk menampilkan fitur geologi yang halus
klasifikasi. Klasifikasi yang diawasi memiliki penggunaan yang terbatas dalam interpretasi seismik karena pengaruh Bumi Dalam interpretasi seismik, pembelajaran mesin menggunakan algoritma komputer untuk memungkinkan ahli geologi melakukannya
jaringan saraf dimana terdapat satu atau lebih lapisan antara lapisan masukan dan keluaran. Untuk
untuk kejadian yang tidak diketahui atau tidak terlihat. Ada dua jenis metode pembelajaran terbimbing dengan a
diperkirakan dan diklasifikasikan 1 sedangkan probabilitas lainnya diklasifikasikan 0 (Mohri et al., 2012).
mengetik sekaligus (Roden dan Santogrossi, 2017).
kontribusi terhadap keluaran vektor probabilitas. Terakhir, kemungkinan maksimumnya adalah kedua, fakta bahwa manusia tidak dapat memahami hubungan lebih dari tiga data
hasil yang tidak diketahui untuk memprediksi hasilnya. Secara optimal, algoritma pembelajaran dapat mengevaluasi label kelas
vektor masukan pelatihan. Ini kemudian menghasilkan vektor yang menunjukkan seberapa dekat input dengan interpretasi menyelesaikan dua masalah penting yang dihadapi oleh penafsir seismik : Yang pertama adalah the- the
Dalam pembelajaran mesin yang diawasi, hasil yang benar atau diinginkan diketahui berdasarkan pelatihan
perubahan litologi, analisis sumur dan memilih atribut seismik terbaik untuk menafsirkan seismik interpretasi seismik (Roden dan Santogrossi, 2017). Jaringan saraf probabilistik adalah
sumur (Smith, 2010). Di sisi lain, klasifikasi tanpa pengawasan tidak terlalu dibatasi dan tidak terlalu dibatasi
pengenalan pola, perkiraan dan klasifikasi, perceptron berlapis-lapis digunakan memahami hubungan antara sejumlah besar data atau informasi geologi. Itu
heterogenitas, yang mungkin membuat interpretasi fitur geologi menjadi lebih sulit
hilang dengan menggunakan metode analisis konvensional dan dapat digunakan untuk memprediksi sifat fluida, perceptron multi-lapisan: jaringan saraf tempat data masukan mengalir ke lapisan keluaran atau a
Algoritme tanpa pengawasan digunakan untuk mengetahui dan memahami pola dalam kumpulan data yang terdiri Dua jenis pendekatan pembelajaran mesin adalah klasifikasi tanpa pengawasan dan diawasi
3.3.1 Aplikasi mesin untuk interpretasi seismik
Gambar 3.11 Langkah-langkah interpretasi pembelajaran mesin multi-atribut (Roden, 2017).
mengidentifikasi atribut seismik yang paling signifikan (Roden dan Santogrossi, 2017).
dikenal sebagai peta yang mengatur dirinya sendiri, atau SOM (Roden., 2017).
menerapkan atribut seismik yang sesuai dalam analisis jaringan saraf tanpa pengawasan juga
meningkatkan atau mengukur karakteristik interpretasi bunga. Ratusan jenis seismik
informasi independen dalam pengumpulan data yang lebih luas. Dengan kata lain, PCA membantu adalah komponen alur kerja untuk interpretasi pembelajaran mesin. (Gambar 3.11). Memilih dan
Atribut seismik adalah setiap properti data seismik yang dapat diukur dan dihasilkan untuk membantu
atribut untuk dipilih. PCA adalah teknik matematika linier (Roden., 2017), yang mereduksi luas
himpunan variabel (atribut seismik) ke himpunan yang lebih kecil, namun mengandung banyak varians Analisis multi-atribut menggunakan analisis komponen utama (PCA) dan peta yang dapat diatur sendiri
data seismik tradisional (Roden, 2017).
DHI, dll.). Analisis komponen utama (PCA) dapat berguna jika tidak ada kepastian yang mana karakteristik geologi yang belum pernah dikenali atau diinterpretasikan dengan mudah sebelumnya prestasi. Memanfaatkan metode ini dan menampilkan temuan SOM menggunakan tampilan peta warna 2D
harus dipilih, tergantung pada interpretasi obyektif (fasies, stratigrafi, ketebalan lapisan, stratigrafi, fasies seismik, fitur DHI, sweet spot dan lapisan tipis, adalah beberapa di antaranya
yang ingin dipecahkan oleh ahli geosains. Hal ini penting karena kumpulan atribut yang sesuai
klasifikasi informasi yang seringkali tidak kentara yang tertanam dalam atribut seismik. Menggunakan hari ini teknologi komputer, alat visualisasi, dan pemahaman tentang parameter yang benar, self-
Temuan ini menggambarkan pengelompokan dan pola alami dalam data dan membantu mengidentifikasi
untuk memahami bagaimana mereka berhubungan satu sama lain.