[論文レビュー] CNN-tuned spatial filters for P- and S-wave decomposition and applications in elastic imaging

Wenlong Wang, Siwei Ma+1 more|arXiv (Cornell University)|Dec 21, 2021

Seismic Imaging and Inversion Techniques被引用数 4

ひとこと要約

本論文では、2次元等方性弾性波場におけるP波およびS波の分解を、高精度かつアーチファクトなしに実現するため、CNNでチューニングされた空間フィルタを提案する。この手法は、高価なフーリエ変換を回避する。合成データ上で一度だけ学習されたフィルタは、従来の空間ドメイン手法よりも優れた分解精度を達成し、特に高速度対比領域において弾性逆時ミッション（RTM）におけるアーチファクトを低減する。

ABSTRACT

P- and S-wave decomposition is essential for imaging multi-component seismic data in elastic media. A data-driven workflow is proposed to obtain a set of spatial filters that are highly accurate and artifact-free in decomposing the P- and S-waves in 2D isotropic elastic wavefields. The filters are formulated initially by inverse Fourier transforms of the wavenumber-domain operators, and then are tuned in a convolutional neural network to improve accuracy using synthetic snapshots. Spatial filters are flexible for decomposing P-and S-waves at any time step without performing Fourier transforms over the entire wavefield snapshots, and thus are suitable for target-oriented imaging. Snapshots from synthetic data show that the network-tuned spatial filters can decompose P- and S-waves with improved decomposition accuracy compared with other space-domain PS decomposition methods. Elastic reverse-time migration using P- and S-waves decomposed from the proposed algorithm shows reduced artifacts in the presence of a high velocity contrast.

研究の動機と目的

• 計算コストの高いフーリエ変換に依存せずに、弾性地震画像処理におけるP波およびS波の分解を高精度で実現する挑戦に取り組む。
• 従来の発散および渇き演算子による振幅および位相の歪みを克服する。
• 物理的整合性を保ちつつ、データ駆動型でトレーニング可能な空間フィルタフレームワークを構築する。
• 大規模または局所的地震画像処理ワークフローに適した、効率的で並列処理可能な、ターゲット指向の分解を実現する。
• 高速度対比領域におけるアーチファクト低減を通じて、弾性逆時ミッションにおける画像品質を向上させることを示す。

提案手法

• P波およびS波の偏光を考慮した波数ドメイン演算子の逆フーリエ変換により、初期の空間フィルタを定式化する。
• 合成波場スナップショットをトレーニングデータとして用い、1層の畳み込みニューラルネットワーク（CNN）を用いて空間フィルタをチューニングする。
• 波数ドメインで分解された予測値と真値のP波スナップショットとの差を最小化するようにネットワークを学習する。
• 再トレーニングなしに、直接空間ドメインでの分解にフィルタを適用可能であり、多様なモデルに応用可能である。
• CNNでチューニングされたフィルタを、弾性逆時ミッション（RTM）ワークフローに統合し、PS分解および画像形成に応用する。
• HPCに適した並列計算効率を活かし、局所的ターゲット指向データセットに対してフィルタをローカルに適用する。

実験結果

リサーチクエスチョン

• RQ1 CNNでチューニングされた空間フィルタは、分離伝搬法（DP）のような従来の空間ドメイン手法よりも高い分解精度を達成できるか？
• RQ2 提案手法は、特に高速度対比領域において、弾性RTMにおけるアーチファクトを低減するか？
• RQ3 一度トレーニングされたフィルタセットを、再トレーニングなしに異なる弾性モデルに一般化できるか？
• RQ4 計算コストを考慮すると、CNNでチューニングされたフィルタの精度と、波数ドメインでの分解手法はどのように比較できるか？
• RQ5 空間フィルタは、非等方的または3次元弾性媒質へどの程度拡張可能か？

主な発見

• CNNでチューニングされた空間フィルタは、分離伝搬法（DP）よりも高い分解精度を達成しており、スタックされたPPおよびPS画像におけるアーチファクトの低減によって裏付けられている。
• CNNでチューニングされたフィルタを用いた弾性RTMでは、DP法と比較して画像境界がより一貫性を保ち、高速度対比領域に沿ったアーチファクトが顕著に低減されている。
• ネットワーク構造に埋め込まれた物理的整合性のおかげで、再トレーニングなしに異なるモデル間でも高い精度を維持している。
• 15×15フィルタセットの計算コストは225Nオペレーションであり、波数ドメイン手法の4N log(N)コストよりも高いが、並列処理およびターゲット指向処理に適している。
• 非定常フィルタを代表的なモデルポイントでチューニングすることで、非等方的媒質への応用が可能である。3次元への拡張は、6成分（Lx, Ly, Lz, Lxy, Lxz, Lyz）のフィルタセットに拡張することで実現できる。
• トレーニングの真値は波数ドメインでの分解から導出されるため、CNNでチューニングされたフィルタは波数ドメイン手法の精度を超えることはできないが、空間ドメインの代替手法に匹敵またはそれを上回る。