Типы 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

[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.