SAGE: KI-gestützte Geostatistik für Velocity‑Modelle aus begrenzten Daten

Mit dem neuen Framework SAGE wird die Synthese von subsurface Velocity‑Modellen durch generative Netzwerke revolutioniert. Statt der herkömmlichen, datenintensiven Full Waveform Inversion nutzt SAGE moderne KI‑Ansätze, um realistische Velocity‑Felder zu erzeugen.

Ein zentrales Problem bei bisherigen Methoden ist die Notwendigkeit großer, hochwertiger Datensätze. SAGE löst dieses Problem, indem es unvollständige Beobachtungen – nämlich spärliche Bohrloch‑Logs und migrierte seismische Bilder – nutzt, um ein statistisch konsistentes Proxy‑Posterior zu lernen.

Während des Trainings lernt das Modell eine Wahrscheinlichkeitsverteilung über Velocity‑Modelle, die von beiden Modalitäten abhängt. Bei der Inferenz kann es dann komplette Velocity‑Felder erzeugen, die ausschließlich auf migrierten Bildern basieren, wobei die Bohrloch‑Informationen implizit in der Verteilung kodiert sind.

Die Validierung auf synthetischen und Felddaten zeigt, dass SAGE komplexe subsurface‑Variabilitäten unter stark eingeschränkten Beobachtungen zuverlässig abbildet. Die generierten Modelle sind sowohl geologisch plausibel als auch statistisch akkurat.

Ein weiterer Vorteil ist die Möglichkeit, Stichproben aus der erlernten Proxy‑Verteilung zu ziehen und diese zur Schulung von Nachfolge‑Netzwerken zu verwenden. Damit unterstützt SAGE nicht nur die Bildgebung, sondern auch Inversions‑Workflows und bietet einen skalierbaren, daten‑effizienten Ansatz für die seismische Analyse.

Weitere Informationen und den Quellcode finden Sie unter https://github.com/slimgroup/SAGE.