[論文レビュー] A deep convolutional encoder-decoder neural network in assisting seismic horizon tracking

Hao Wu, Bo Zhang|arXiv (Cornell University)|Apr 18, 2018

Seismic Imaging and Inversion Techniques参考文献 2被引用数 24

ひとこと要約

本論文では、3次元地震ハリソン追跡の自動化を目的として、複数のハリソンを同時に検出可能なエンドツーエンドのセマンティックセグメンテーションを活用した深層畳み込みエンコーダ・デコーダニューラルネットワークを提案する。この手法は、地震ボリュームから空間階層を学習することで高い精度と頑健性を達成し、結果として手動でピックされたハリソンと強い整合性を示している。

ABSTRACT

Seismic horizons are geologically significant surfaces that can be used for building geology structure and stratigraphy models. However, horizon tracking in 3D seismic data is a time-consuming and challenging problem. Relief human from the tedious seismic interpretation is one of the hot research topics. We proposed a novel automatically seismic horizon tracking method by using a deep convolutional neural network. We employ a state-of-art end-to-end semantic segmentation method to track the seismic horizons automatically. Experiment result shows that our proposed neural network can automatically track multiple horizons simultaneously. We validate the effectiveness and robustness of our proposed method by comparing automatically tracked horizons with manually picked horizons.

研究の動機と目的

• 3次元ボリュームにおける地震ハリソン解釈の手作業による時間のかかる作業と誤りの多い性質を軽減すること。
• 地震ハリソンのセマンティックセグメンテーションが可能なエンドツーエンドのディープラーニングフレームワークの開発。
• 複雑な地質的状況下でも複数のハリソンを同時に追跡できること。
• 人為的にピックされた基準ハリソンと比較して、手法の精度と頑健性を検証すること。
• 炭化水素探査における地震解釈のためのスケーラブルで自動化されたソリューションの提供。

提案手法

• 空間分解能を保持するためのスキップ接続を備えたU-Netスタイルのエンコーダ・デコーダアーキテクチャを採用する。
• エンドツーエンドのセマンティックセグメンテーションのための完全畳み込みニューラルネットワーク（FCN）を用いる。
• エンコーダからの特徴マップをアップサンプリングし、デコーダからのスキップ接続と連結することで、正確な局所化を実現する。
• 境界のセグメンテーション精度を向上させるために、交差エントロピーを最適化する損失関数を用いる。
• 実際の3次元地震データセットを用いてモデルを訓練および評価し、複数のハリソンにおける性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みエンコーダ・デコーダネットワークは、3次元ボリュームにおいて複数の地震ハリソンを正確に検出できるか？
• RQ2 空間的精度の観点から、モデルの性能は手動ピックによるハリソンと比べてどの程度か？
• RQ3 異なる地質的構造やノイズレベルに対し、ネットワークの一般化能力はどの程度か？
• RQ4 スキップ接続とエンドツーエンドのトレーニングの使用が、ハリソン追跡の精度を向上させるか？
• RQ5 複雑な地震データにおいて、解釈時間の短縮と高い信頼性の両立が可能か？

主な発見

• 提案されたモデルは、3次元地震ボリュームにおいて複数のハリソンを同時に追跡することに成功した。
• 自動的に追跡されたハリソンは、手動でピックされたハリソンと強い空間的整合性を示しており、高い精度を示している。
• 信号対ノイズ比の変動や地質的複雑性に対しても、本手法は頑健であることが示された。
• U-Netアーキテクチャにおけるスキップ接続の使用により、境界の局所化とセグメンテーションの忠実度が向上した。
• エンドツーエンドのトレーニングフレームワークにより、手動による特徴工学の必要なく信頼性の高い推論が可能になった。
• 結果から、ディープラーニングを用いた地震ハリソン解釈の高速化と標準化の実現可能性が確認された。