汉阳大学物理勘探研究室的李宰囿学生在Mass Works主办的“AI大学生竞赛”上因制造了“利用LSTM的弹性波勘探资料内部模量”而荣获这次大赛的亚军。该学生在高分辨率物理探测方法上采用了深度学习算法（科学技术名，非人类学习或算术方法的名称，译者注）解决了现有机器学习技术的数据质量问题。该技术还可以用于石油勘探、碳获取与收集、储存监控等不同领域上。
该学生介绍了“利用长短期记忆(LSTM, 英文全名：Long Short-Term Memory)的弹性波勘探资料内部模量”。
该学生表示:”我在该模量中采用了 Traces-to-trace 接近法。”Trace-to-Trace方法是在特定区域的信息被遗漏时，用已经收集的数据推测遗漏的部分的方式。这时训练 AI 的内插函数，使其预测遗漏的信息痕迹讯号以完成整幅图画。
他解释说:”该相关技术需要4个过程来制作。”首先,通过使用Mass Works的塞锡斯实验室（SeisLab） Adon的Hyper Paramer生成符合TrainNetwork和预测函数的变数。之后为了学习而设置 Hyper Paramer。用Matlab深度学习工具箱(Deep Learning Toolbox)计算图表的加权值。最后进行了预测目标的痕迹、储存设置过程。
(左)在训练中使用的文森特油田的输入数据,该数据基于(右) trace-to-trace 接近法为基础的重组的外输数据
该学生强调:”从西澳大利亚海岸文森特(Vincent)油田收集的弹性波勘探资料和从墨西哥湾(Gulf of Mexico)地区收集的弹性波探勘资料得出了遗漏的地震学数据预测值。”他还说:”这时可以确认以 Trace-Two-Trace 接近法为基础的干涉运算法的高准确度。” 他也解释说:”与现有的研究方法相比，误差率更低。”
目前汉阳大学物理勘探研究室正在申请有关弹性波勘探的Trace-To-Trace接近法的国内与国际的知识产权专利。
