Skip to main content
search

Lyceum 2021 | Вместе в завтрашний день

Мы рассмотрим настройку и использование различных типов моделей для инверсии данных TEM/FEM в Aarhus Workbench.

Большинство инверсий выполняется только с помощью сглаженных моделей, но часто разрешение достаточно хорошее, чтобы обнаружить более резкие изменения в геологии, чем может позволить сглаженная модель. Это может сделать использование последующих инверсий со слоистыми моделями интересными для получения дополнительной информации о недрах. Мы рассмотрим слоистые модели, блоковые модели и модели с относительно высокой четкостью, а также возможность создания индивидуальных слоистых моделей из существующих сглаженных моделей.

Обзор

спикеров

Бьярке Рот (Bjarke Roth)
Старший геофизик, Aarhus GeoSoftware

Продолжительность

17 минут

Смотреть больше материалов Lyceum

Lyceum 2021

Расшифровка видеозаписи

[00:00:02.320]
<v ->Здравствуйте. Спасибо, что присоединились к этой презентации.</v>

[00:00:05.650]
Меня зовут Бьярке Рот, я геофизик

[00:00:07.910]
из Aarhus GeoSoftware.

[00:00:10.191]
Сегодня мы рассмотрим типы моделей,

[00:00:12.000]
которые мы используем для инверсий в Aarhus Workbench.

[00:00:15.970]
Допустим, мы измерили некоторые данные.

[00:00:18.040]
Можно было бы провести зондирование становлением поля в ближней зоне (TDEM).

[00:00:21.090]
Можно взять данные зондирования становлением поля в ближней зоне в варианте аэромагнитной съемки.

[00:00:23.350]
Или это могут быть системы индукционного частотного зондирования (FDEM).

[00:00:28.060]
И нам потребовалось некоторое время, чтобы удалить контакты

[00:00:30.740]
и шум от данных,

[00:00:32.368]
так что они не только отражают геологическую структуру.

[00:00:35.900]
Прежде чем мы сможем передать их дальше,

[00:00:37.030]
нам нужно превратить их в физическую модель геологической среды,

[00:00:40.290]
которую впоследствии геолог может использовать

[00:00:41.530]
для создания более сложных моделей, над которыми они работают.

[00:00:45.450]
К сожалению, простого способа сделать это не существует.

[00:00:48.440]
И на самом деле,

[00:00:49.273]
оказывается гораздо проще пойти другим путем.

[00:00:52.570]
Нам известны физические данные, и при наличии точного описания системы

[00:00:57.320]
можно рассчитать прямой отклик — тот,

[00:00:59.040]
который можно было бы измерить для данной модели.

[00:01:01.330]
Что мы можем сделать, так это сравнить этот прямой отклик

[00:01:04.450]
с измеренными данными.

[00:01:07.000]
Мы проводим это сравнение при помощи целевой функции.

[00:01:09.360]
Примером этого являются остаточные данные.

[00:01:12.260]
Здесь мы сравнили наблюдаемые данные и опережающие данные.

[00:01:14.870]
Мы нормализуем их при помощи неопределенности данных.

[00:01:17.220]
В этой формуле «C» представляет диагональные элементы

[00:01:19.610]
в ковариационной матрице,

[00:01:20.760]
но она содержит квадрат неопределенности данных.

[00:01:23.590]
Значение, равное единице,

[00:01:24.423]
означает, что данные вписались в шумы.

[00:01:26.680]
В этом смысле все, что ниже единицы, одинаково правильно.

[00:01:30.060]
Значение, равное двум,

[00:01:31.100]
означает, что данные подошли

[00:01:32.527]
с интервалом, двукратным шуму, и т. д.

[00:01:35.568]
Минимизируя эту функцию,

[00:01:36.510]
мы найдем версию нашей модели,

[00:01:38.740]
которая с наибольшим приближением даст нам данные, которые мы наблюдали.

[00:01:43.480]
Простейшая одномерная модель, которая у нас может быть — это полупространственная модель.

[00:01:46.950]
Это модель только с одним параметром сопротивления

[00:01:49.210]
для описания недр.

[00:01:51.510]
Хорошо, давайте быстро и несколько упрощенно посмотрим,

[00:01:53.770]
как работает процесс инверсии в данной ситуации.

[00:01:57.698]
Если мы могли бы вычислить остаточные данные

[00:02:00.040]
для всех допустимых остаточных значений, это могло бы выглядеть так.

[00:02:03.550]
Но инверсия не может воспринимать эту кривую.

[00:02:06.434]
Вместо этого для каждой итерации

[00:02:08.700]
рассчитываются остаточные данные,

[00:02:11.620]
а затем производная для параметра модели.

[00:02:14.910]
И затем может быть откорректирован параметр модели сопротивления

[00:02:17.550]
на основе этой производной, попадая в подпространство.

[00:02:21.580]
Это повторяется вновь и вновь,

[00:02:25.970]
пока результат уже больше не может быть улучшен.

[00:02:30.160]
И мы надеемся, что он окажется в глобальном минимуме,

[00:02:34.660]
а не в локальном минимуме.

[00:02:38.470]
Этот подход называется алгоритм Левенберга-Марквардта

[00:02:41.120]
или определение затухания методом наименьших квадратов.

[00:02:42.820]
Я указал несколько ссылок

[00:02:44.300]
для тех, кому это интересно.

[00:02:47.040]
Глобальный минимум не всегда обнаруживается,

[00:02:48.780]
но метод достаточно надежен для функций с регулярным поведением

[00:02:51.240]
и целесообразных начальных параметров.

[00:02:53.480]
В большинстве случаев

[00:02:54.313]
функции, с которыми мы работаем, будут довольно регулярными.

[00:02:57.410]
Однако в некоторых случаях вы можете оказаться в ситуации,

[00:03:00.710]
когда вам нужно улучшить вашу начальную модель,

[00:03:02.670]
чтобы не оказаться в локальном минимуме.

[00:03:05.839]
Безусловно, нам обычно желательно иметь немного более подробные сведения

[00:03:08.450]
в наших одномерных моделях, чем один лишь параметр сопротивления.

[00:03:12.180]
Концептуально самой простой моделью является слоистая модель,

[00:03:14.410]
где у нас есть несколько слоев,

[00:03:16.050]
и каждый слой имеет сопротивление и толщину.

[00:03:19.000]
К сожалению, с этим типом модели работать не так легко.

[00:03:22.480]
Слои, которые вы получите,

[00:03:23.520]
не всегда будут соответствовать напрямую

[00:03:25.240]
слоям общей геологической структуры,

[00:03:27.250]
так что необходима практика и понимание недр,

[00:03:29.730]
чтобы правильно понять общую картину.

[00:03:31.130]
Но о причинах этого мы поговорим чуть позже.

[00:03:34.820]
Вместо этого

[00:03:35.653]
мы обратимся к сглаженной модели в качестве отправной точки.

[00:03:39.120]
Здесь у нас больше слоев, от 20 до 40 в зависимости от типа данных,

[00:03:43.040]
но оцениваются только значения сопротивления.

[00:03:45.470]
Толщина остается фиксированной

[00:03:46.770]
с увеличением размера по мере увеличения глубины.

[00:03:48.720]
А значения сопротивления также ограничены по вертикали

[00:03:50.670]
для обеспечения непрерывности между слоями,

[00:03:53.000]
отсюда и название smooth (сглаженная).

[00:03:55.760]
Давайте разъясним слегка данный вопрос.

[00:03:57.453]
В этом подходе есть большое преимущество.

[00:04:00.230]
Начальные условия гораздо менее важны,

[00:04:02.940]
чем для слоистых моделей.

[00:04:05.850]
У нас, конечно, есть начальные значения сопротивления

[00:04:07.440]
для всех этих слоев.

[00:04:08.950]
Но мы почти всегда используем единую исходную модель,

[00:04:11.990]
чтобы не вводить структуру в модель с сопротивлениями.

[00:04:14.630]
И пока мы не ушли слишком далеко

[00:04:16.750]
от точки, где нам нужно работать с сопротивлением,

[00:04:19.050]
это будет просто переход

[00:04:20.400]
к несколько более длительным по времени инверсиям.

[00:04:22.980]
Поскольку инверсия должна выполнить несколько дополнительных итераций,

[00:04:25.770]
чтобы изменить сопротивление. И у нас есть несколько вариантов

[00:04:29.930]
для улучшения этой начальной модели,

[00:04:32.227]
этих начальных значений сопротивления.

[00:04:34.580]
Что еще более важно: поскольку слои фиксированы,

[00:04:36.970]
настройка слоя не так важна для окончательной модели,

[00:04:40.870]
конечной сглаженной модели, как она важна для слоистой модели.

[00:04:46.663]
Все, что нам нужно определить для настройки —

[00:04:48.590]
это граница первого слоя, граница последнего слоя,

[00:04:50.590]
количество слоев и ограничения по вертикали.

[00:04:53.430]
Все это мы можем сделать относительно объективно

[00:04:55.610]
в зависимости от используемого инструмента и типа данных.

[00:04:58.960]
Ожидаемое разрешение вблизи поверхности

[00:05:00.468]
дает нам границу первого слоя.

[00:05:02.950]
Если мы сделаем его слишком тонким,

[00:05:04.300]
определяющими будут начальное значение

[00:05:06.720]
и ограничения.

[00:05:08.680]
Максимальная ожидаемая глубина проникновения

[00:05:11.100]
дает нам границу последнего слоя.

[00:05:13.170]
Опять же, если мы установим ее слишком глубоко,

[00:05:14.900]
определяющими будут начальное значение

[00:05:17.010]
и ограничения.

[00:05:18.140]
И мы можем отсортировать и отбросить их

[00:05:19.640]
без промеров глубин позже.

[00:05:23.090]
Но если не установить ее на достаточной глубине,

[00:05:25.813]
мы не сможем сопоставить данные позднего периода.

[00:05:30.050]
Ожидаемое разрешение дает нам представление о количестве слоев,

[00:05:33.500]
которые мы можем использовать. Это также связано с ограничениями по вертикали.

[00:05:37.660]
Они служат для стабилизации инверсии

[00:05:39.940]
и уменьшения влияния «перегрузки» / «провала».

[00:05:41.850]
В противном случае мы могли бы увидеть слои с плохим разрешением.

[00:05:44.850]
Однако это можно, опять же, установить относительно объективно

[00:05:47.550]
на основе ожидаемых геологических изменений.

[00:05:50.486]
Тогда это просто вопрос ввода цифр

[00:05:52.680]
в калькулятор дискретизации модели.

[00:05:55.020]
И пусть он распределяет слои,

[00:05:56.810]
так чтобы было увеличение дискретизации по толщине

[00:06:00.940]
вниз по модели.

[00:06:04.770]
Я говорил об ограничениях,

[00:06:06.304]
но толком не объяснил, что они из себя представляют.

[00:06:09.070]
Все наши ограничения работают как коэффициенты.

[00:06:10.930]
Значение два означает, что для сопротивления слоя выше

[00:06:13.810]
или ниже допускается один сигма-интервал по его сопротивлению,

[00:06:17.340]
что проходит от слоя сопротивления, деленного на два,

[00:06:19.840]
до слоя сопротивления, умноженного на два.

[00:06:22.070]
Так что это не жесткое ограничение.

[00:06:23.280]
В принципе, оно может измениться быстрее,

[00:06:25.713]
но для инверсии это будет дороже.

[00:06:30.890]
Давайте посмотрим на пример.

[00:06:32.980]
Синяя линия — это истинная модель.

[00:06:34.470]
В то время как красная линия — это расчетная сглаженная модель.

[00:06:37.340]
DOI — это глубина исследования,

[00:06:39.770]
о которой я кратко упоминал ранее.

[00:06:41.390]
Это глубина, до которой мы можем доверять результатам.

[00:06:44.130]
В основном это зависит от данных,

[00:06:45.920]
а не от начальных значений и ограничений.

[00:06:49.300]
Таким образом, модель сглаженного типа воспроизводит общую структуру.

[00:06:53.149]
Но у нас не совсем правильные переходы между слоями

[00:06:56.160]
и сопротивлениями слоев здесь.

[00:06:59.730]
Теперь давайте сравним это с расчетной слоистой моделью.

[00:07:03.240]
Здесь у нас фактически есть две слоистые модели.

[00:07:05.800]
Одна без предварительного расчета,

[00:07:07.010]
а во второй сопротивление третьего слоя

[00:07:08.840]
было использовано, чтобы провести инверсию в правильном направлении.

[00:07:13.290]
Поэтому очевидно, что слоистая модель

[00:07:15.230]
может предоставить гораздо лучшие переходы между слоями и значениями сопротивления,

[00:07:18.360]
особенно если мы еще поможем.

[00:07:22.640]
Если же мы начнем инверсию с толщины слоя,

[00:07:25.360]
который расположен слишком далеко,

[00:07:26.640]
это может привести к тому, что переходы между слоями будут размещены по-разному.

[00:07:29.340]
И мы можем напрасно выделить слои там, где на самом деле они нам не нужны.

[00:07:32.220]
Эту ситуацию можно исправить

[00:07:33.670]
при помощи знаний об общей структуре,

[00:07:35.470]
которые мы можем получить из сглаженной модели.

[00:07:37.200]
Но чтобы сделать все правильно, может потребоваться несколько попыток.

[00:07:40.717]
Можно либо использовать подход

[00:07:42.960]
«граница первого и последнего слоя»,

[00:07:44.829]
либо редактировать слои по отдельности.

[00:07:47.060]
Но это, как правило, больше похоже на метод «проб и ошибок»,

[00:07:49.300]
чем сконфигурированная сглаженная модель.

[00:07:51.440]
Возможно, потому что слоистая модель

[00:07:52.650]
в большей степени, чем сглаженная модель,

[00:07:53.940]
отражает происхождение ваших данных.

[00:07:56.190]
Поэтому обязательно сосредоточьте свои усилия по настройке на верхней части

[00:08:00.300]
модели, в которой отражено больше всего информации о происхождении ваших данных

[00:08:02.340]
.

[00:08:05.150]
Так, глядя на эти два типа моделей,

[00:08:06.940]
мы остаемся с мыслью о том, что «все модели неверны, но некоторые из них полезны».

[00:08:10.600]
Ни одна из этих моделей не дает ответов на все вопросы.

[00:08:12.750]
Но обе модели дают полезные

[00:08:14.810]
и в определенном смысле дополняющие аналитические сведения о недрах.

[00:08:20.317]
Теперь немного расширим подход,

[00:08:22.540]
прежде чем мы рассмотрим последние два типа моделей.

[00:08:25.250]
Мы часто инвертируем множество моделей одновременно,

[00:08:27.550]
поэтому нам, разумеется, нужно поговорить о том,

[00:08:29.400]
как ограничения по латерали вписываются в эту картину.

[00:08:31.229]
Мы ожидаем определенной преемственности в геологии.

[00:08:34.638]
Конечно, это будет зависеть от конкретной геологической структуры.

[00:08:37.610]
Но мы ожидаем, что модели рядом друг с другом

[00:08:39.670]
будут иметь некоторое сходство.

[00:08:41.960]
У нас могут быть ограничения вдоль маршрута аэросъемки.

[00:08:45.480]
Это называется инверсией, ограниченной по латерали (LCI).

[00:08:48.894]
Или же у нас могут быть ограничения как вдоль маршрутов аэросъемки,

[00:08:51.030]
так и между маршрутами аэросъемки.

[00:08:52.280]
Это называется пространственно ограниченной инверсией (SCI).

[00:08:55.680]
Оба типа по-прежнему являются одномерными инверсиями.

[00:08:58.040]
Прогнозный расчет здесь все еще выполняется в одномерной проекции.

[00:09:01.710]
Но модели становятся квазидвумерными для типа LCI (с ограничениями по латерали) и квазитрехмерными для типа SCI (с пространственными ограничениями).

[00:09:07.920]
На практике,

[00:09:08.760]
ограничения SCI будут выглядеть примерно так.

[00:09:12.013]
Красные точки — это позиции модели,

[00:09:13.860]
а черные линии — ограничения.

[00:09:16.380]
Ограничения определяются алгоритмом.

[00:09:18.070]
Это гарантирует, что мы получим такую структуру,

[00:09:20.950]
где у нас всегда есть ограничения вдоль маршрутов аэросъемки,

[00:09:23.310]
а также вдоль близлежащих маршрутов аэросъемки.

[00:09:26.300]
Здесь одна важная деталь:

[00:09:27.770]
в отличие от ограничений по вертикали,

[00:09:29.910]
здесь явно нужно учитывать расстояние

[00:09:32.490]
Мы не хотим, чтобы ограничения были одинаково значительными по силе

[00:09:34.320]
между всеми позициями модели.

[00:09:36.640]
Таким образом, мы устанавливаем опорное расстояние для нашей инверсии.

[00:09:39.950]
Любые ограничения между моделями,

[00:09:41.760]
которые остаются в пределах этого расстояния, используют этот факт как данность.

[00:09:46.270]
В то время как у моделей, расположенных друг от друга дальше этого расстояния,

[00:09:47.740]
это ограничение будет масштабировано, чтобы оно стало слабее.

[00:09:51.290]
Если мы установим это опорное расстояние

[00:09:52.710]
равным среднему расстоянию зондирования между нашими моделями

[00:09:55.400]
вдоль маршрута аэросъемки,

[00:09:56.750]
ограничение по латерали может быть установлено

[00:09:58.650]
на основе ожидаемого количества геологических изменений

[00:10:01.490]
на участке, а не являться каким-то произвольным фактором.

[00:10:05.100]
Затем масштабирование сделает все остальное.

[00:10:08.350]
Для данных некоторых типов

[00:10:09.210]
это опорное расстояние рассчитывается автоматически,

[00:10:11.770]
но в других случаях это часть настройки модели.

[00:10:15.580]
Такие параметры, как высота, тоже ограничены,

[00:10:18.440]
но эти ограничения хранятся отдельно

[00:10:20.090]
и только как ограничения вдоль маршрутов аэросъемки.

[00:10:25.480]
Теперь мы можем собрать все части воедино.

[00:10:27.920]
Когда мы говорили об инверсии ранее,

[00:10:29.830]
мы использовали простую целевую функцию,

[00:10:31.570]
только чтобы посмотреть на остаточные данные.

[00:10:33.930]
Полная целевая функция,

[00:10:35.200]
разумеется, в большинстве случаев также принимает ограничения

[00:10:37.520]
и предварительные данные во внимание.

[00:10:39.850]
Точно так же, как остаточные данные сравнивают наблюдаемые и опережающие данные,

[00:10:45.229]
нормализованные на основе неопределенности,

[00:10:47.390]
часть constraints (ограничения)

[00:10:48.990]
сравнивает параметры модели с ограничениями,

[00:10:54.656]
нормализованными с коэффициентом,

[00:10:56.095]
установленным для учета влияния этих ограничений.

[00:10:59.296]
А часть a priori (предварительные данные) сравнивает параметры модели

[00:11:01.551]
с предварительными значениями этих параметров модели,

[00:11:03.903]
нормализованными при помощи

[00:11:05.610]
набора коэффициентов для учета влияния этих предварительных значений.

[00:11:09.310]
Часть constraints (ограничения) здесь самая интересная,

[00:11:11.430]
поскольку подчеркивает несколько различий между слоистыми

[00:11:14.370]
и сглаженными моделями.

[00:11:16.190]
У нас есть ограничения по вертикали для значений сопротивления,

[00:11:18.000]
но только для сглаженных моделей.

[00:11:19.430]
У нас есть ограничения по латерали для значений сопротивления,

[00:11:21.389]
они используются как в слоистых, так и в сглаженных моделях.

[00:11:24.320]
И у нас есть ограничение по латерали для толщины слоя

[00:11:26.120]
на всех глубинах слоев, но только для слоистых моделей.

[00:11:30.240]
Как подход на основе толщины,

[00:11:31.073]
так и глубинный подход для слоистых моделей — оба работают.

[00:11:33.090]
Но, само собой, имеются некоторые отличия в настройке,

[00:11:35.930]
когда мы использовали коэффициенты для глубин всех лежащих выше уровней,

[00:11:39.130]
а не просто толщины отдельных слоев.

[00:11:43.130]
Хотя эти данные у нас есть в подробностях.

[00:11:44.990]
Часть constraints (ограничения) тоже представляет интерес,

[00:11:47.030]
потому что это фундамент для двух последних типов моделей.

[00:11:52.120]
Концепция работы с обоими типами состоит в том, чтобы иметь модель,

[00:11:54.880]
которую вы настраиваете аналогично тому, как вы настраиваете сглаженную модель.

[00:11:58.306]
Без необходимости много знать

[00:12:00.150]
о том, где должны быть переходы между слоями,

[00:12:02.710]
но где конечный результат

[00:12:03.950]
отражает больше характеристик результата

[00:12:06.730]
с более отчетливыми слоями.

[00:12:10.790]
Самый простой подход называется блоковой моделью.

[00:12:13.040]
Это действительно удивительно просто.

[00:12:16.030]
Вместо того, чтобы использовать квадрат разницы,

[00:12:20.067]
они используют абсолютную разницу для части constraints (ограничения).

[00:12:24.720]
Здесь я построил график сумм штрафов для членов выражения.

[00:12:27.257]
Тут мы видим штраф

[00:12:30.217]
с учетом абсолютной разницы параметров модели,

[00:12:33.730]
нормализованных на основе коэффициентов, которые мы установили

[00:12:35.930]
для ограничений.

[00:12:37.640]
Очевидно, здесь есть две зоны.

[00:12:39.370]
Когда мы находимся выше единицы,

[00:12:42.710]
блоковая модель имеет гораздо меньший штраф.

[00:12:47.740]
В этом смысле она может позволить гораздо большие изменения внутри модели,

[00:12:51.260]
чем сглаженная модель.

[00:12:54.920]
Когда мы находимся ниже единицы,

[00:12:55.910]
блоковая модель имеет немного более высокий штраф.

[00:12:58.980]
В этом смысле, в ней

[00:13:00.330]
недопустимы ни большие, ни малые изменения, в отличие от сглаженной модели.

[00:13:05.090]
И именно это мы и видим.

[00:13:06.780]
Здесь у нас есть сглаженная модель (smooth), блоковая модель (blocky)

[00:13:09.607]
и результат инверсии слоистой модели (layered) —

[00:13:12.160]
все для одного и тоже же зондирования.

[00:13:13.577]
Блоковая модель больше меняется,

[00:13:17.250]
быстрее изменяет сопротивление

[00:13:20.120]
и остается более ровной после того, как изменение произошло,

[00:13:24.500]
чем сглаженная модель.

[00:13:28.270]
Она имеет ту же настройку, что и сглаженная модель.

[00:13:30.749]
Но дает нам что-то, что немного ближе

[00:13:33.930]
к слоистой модели в результате.

[00:13:36.890]
На самом деле, ее конфигурация настолько близка к конфигурации сглаженной модели,

[00:13:39.440]
что мы можем взять ее копию, сглаженную модель типа SCI (с пространственными ограничениями),

[00:13:43.750]
и просто нажать один переключатель, чтобы инвертировать ее как блоковую модель.

[00:13:50.270]
Здесь они представлены не только для одной модели,

[00:13:53.380]
но вдоль маршрута с 3,2 км данных SkyTEM.

[00:13:57.700]
Слоистая модель имеет некоторые проблемы

[00:14:00.140]
в нескольких зонах переходов.

[00:14:02.530]
Но в остальном результаты выглядят неплохо

[00:14:04.790]
для всех типов моделей.

[00:14:09.300]
Последний подход называется моделью с высокой четкостью.

[00:14:12.690]
Как видите, для нее выражение становится немного сложнее,

[00:14:16.810]
поэтому я не буду пытаться охватить все детали.

[00:14:20.980]
Я снова построил график сумм штрафов для членов выражения

[00:14:25.394]
или, по крайней мере, для большей их части,

[00:14:26.970]
так как я, вероятно, буду игнорировать бета-значение здесь.

[00:14:32.090]
На этот раз штраф остается ближе к сглаженной кривой

[00:14:39.220]
для небольших значений, но разветвляется для больших значений.

[00:14:43.630]
Как только мы достигаем единицы или около того,

[00:14:46.490]
фактически количество изменений,

[00:14:48.810]
а не общий объем изменений,

[00:14:51.090]
увеличивает сумму штрафа.

[00:14:55.530]
Этот подход называется поддержкой минимального градиента.

[00:14:59.320]
На практике мы получаем набор параметров четкости:

[00:15:03.200]
один с четкостью по вертикали

[00:15:04.520]
и один с четкостью по латерали.

[00:15:06.620]
Они связаны с этим бета-значением, объяснение которого я пропустил.

[00:15:09.394]
Они влияют на то, сколько блоков вы получите.

[00:15:11.808]
Пока они используются для ограничений по вертикали и латерали,

[00:15:15.260]
они влияют на количество изменений внутри блоков.

[00:15:18.060]
Однако количество блоков зависит от данных.

[00:15:20.410]
Вы скорее устанавливаете то,

[00:15:21.808]
насколько четкими должны быть блоки,

[00:15:24.040]
нежели количество блоков.

[00:15:26.177]
Давайте взглянем на некоторые результаты.

[00:15:29.220]
В зависимости от настроек,

[00:15:30.320]
результат может быть очень похож на сглаженную модель.

[00:15:34.340]
На что-то вроде того,

[00:15:35.599]
что довольно близко к слоистой модели.

[00:15:39.330]
Сопротивление может меняться очень быстро,

[00:15:41.873]
но все же ограничено разрешением

[00:15:46.100]
фиксированных слоев, которые мы задали.

[00:15:50.580]
В этом отношении этот тип похож на сглаженную модель,

[00:15:53.530]
но, безусловно, может приблизиться к слоистой модели

[00:15:55.950]
в результате.

[00:15:57.400]
Требуется время, чтобы привыкнуть к этому.

[00:15:59.050]
Числовые значения параметров четкости

[00:16:01.210]
несколько отличаются от ограничений,

[00:16:03.540]
но предложения по используемым значениям есть в F1 Wiki,

[00:16:06.970]
вы можете открыть из Aarhus Workbench.

[00:16:09.670]
Значения по латерали сделают блоки более отчетливыми.

[00:16:12.657]
Обычные ограничения по вертикали и латерали

[00:16:14.840]
в конечном итоге требуют меньших числовых значений,

[00:16:16.940]
нежели те, к которым мы привыкли.

[00:16:18.381]
И предварительные настройки в Aarhus Workbench были скорректированы

[00:16:21.070]
с учетом этого фактора.

[00:16:23.030]
Но в остальном они ведут себя точно так, как ожидалось.

[00:16:27.120]
Большие значения позволят больше вариативности

[00:16:29.400]
внутри каждого из блоков.

[00:16:34.200]
Результат, который отображен здесь, был найден с использованием настройки по умолчанию,

[00:16:39.320]
так что сильно не расстраивайтесь по поводу

[00:16:41.140]
возможного объема настроек, требующих конфигурирования.

[00:16:46.120]
Здесь они снова они представлены не только для одной модели,

[00:16:49.210]
но вдоль маршрута с 3,2 км данных SkyTEM.

[00:16:54.550]
В некоторых областях

[00:16:55.677]
модель с высокой четкостью (sharp) на самом деле кажется лучше,

[00:16:59.530]
чем результат слоистой модели (layered),

[00:17:00.970]
а это был довольно хороший слоистый результат.

[00:17:04.750]
Подводя итог по типам моделей:

[00:17:05.985]
начните с инверсии сглаженной модели.

[00:17:08.580]
Если вы хотите зафиксировать границу определенного слоя,

[00:17:11.987]
слоистые модели — ваш лучший выбор, ваш лучший вариант,

[00:17:15.710]
поскольку только он позволяет перемещать слои.

[00:17:19.290]
Но чем сложнее становится геологическая структура,

[00:17:21.316]
тем труднее это сделать.

[00:17:23.860]
Если вас устраивает сглаженная модель (smooth),

[00:17:25.270]
но хотелось бы видеть более дискретный вариант,

[00:17:27.640]
у вас есть варианты блоковых моделей (blocky) и моделей с высокой четкостью (sharp).

[00:17:30.060]
В блоковых моделях используется та же настройка, что и в сглаженных,

[00:17:32.690]
поэтому этот вариант очень легко попробовать.

[00:17:34.460]
Модель с высокой четкостью использует ту же базовую настройку, что и сглаженная,

[00:17:37.180]
за исключением добавленных параметров четкости

[00:17:39.720]
и несколько иных ограничений по вертикали и латерали.

[00:17:42.520]
Может потребоваться некоторое время, чтобы привыкнуть к ним.

[00:17:45.100]
Однако это стоит потраченных усилий,

[00:17:46.640]
так как создает прекрасные результаты.

[00:17:49.970]
Это все, что у меня есть для вас на сегодня.

[00:17:53.060]
Благодарю за время, которое вы уделили, и хорошего вам дня.

Close Menu