Maskinlæring (’machine learning’) er et redskab til modellering og analyse af geovidenskabelige data Jeg har sat den seneste udvikling inden for dyb læring (’deep learning’) ind i en større sammenhæng indenfor maskinlæring ved at gennemlæse de tilgange og udfordringer som maskinlæring har inden for geovidenskab. Afhandlingen består af seks peer-reviewed udgivelser og en indsendt journalartikel. Yderligere er der fem peer-reviewed udgivelser i appendix.

Formålet med denne afhandling er, at anvende den seneste udvikling inden for systemer for computer vision, neurale netværk og maskinlæring for geovidenskabelige data, især 4D seismisk analyse. Neurale netværk er en type maskinlæring, der har bidraget betydeligt til moderne kunstig intelligens og automatisering. Det blev på et tidligt tidspunkt anerkendt inden for geofysik, at neurale netværk var anvendelige. Brugen af neurale netværk for deres evne til at være universelle funktions-approksimatorer blev tidligt anderkendt inden for geofysik. Grundet den nylige interesse for dyb læring, har neurale netværk oplevet en renæssance inden for geovidenskabelige anvendelser, særligt automatisk seismisk fortolkning, inverterings processor og sekvensmodellering.

Dette efterfølges af en udforskning af uovervåget læring til segmentring af kalksedimenter i tilbagesprednings-elektronmikroskopi ”back-scatter scanning electron microscopy” data. Det næste kapitel viser, at brugen af neurale netværk prætrænede på billeder, kan reducere den nødvendige mængde data, der er nødvendige for at overføre læring til geovidenskabelige problemer. Kapitlet derefter viser, at foldninger med komplekse tal kan stabilisere træningen og datakompressionen af ikke-stationære fysiske data. Derpå beregnes tryk og mætningsdata med brug af 4D seismiske data ved hjælp af et nyt dybt tæt prøvebaseret indkoder-dekoder netværk. Netværket indeholder et fysisk grundlag, for selv at lære resten af inversionsprocessen. Arbejdet viser overførsel fra simulerede til rigtige data er muligt.

Endelig blev der udviklet en uovervåget ’unsupervised’ metode, til at udregne 3D-tidsforskydninger fra to 4D seismiske kuber. Netværket beregner disse 3D tidsskift inklusiv usikkerhedsmålinger på dem. På grund af de beregningsmæssige omkostninger og dårlig kvalitet, bliver disse normalt kun beregnet i 1D. Inden for træningsløkken integreres det stationære hastighedsfelt numerisk for at få 3D tidsskift, som er begrænset af topologien på en geologisk konsistent måde. Den uovervågende implementation af netværksstrukturen sikrer at bias fra andre tidsforskydnings ekstraktionsmetoder ikke implicit indgår i netværket. Den uovervågende metode lærer netværket at følge en bestemt opførsel uden brug af sande ”ground truth” eksempler. Yderligere, styrker dette tilliden til systemet, da ekstrationsmetoden begrænses til det dybe læringssystem og veldefinerede oprationer inden for dette som automatiserer den uovervågede træning.