[論文レビュー] Data-driven Seismic Waveform Inversion: A Study on the Robustness and Generalization

Zhongping Zhang, Youzuo Lin|arXiv (Cornell University)|Sep 26, 2018

Seismic Imaging and Inversion Techniques参考文献 47被引用数 9

ひとこと要約

本稿では、生成対抗ネットワーク（GAN）に基づくデータ駆動型地震波形逆問題手法であるVelocityGANを提案する。この手法は、データから正則化を学習することで逆問題の精度と一般化性能を向上させる。条件付き判別器と修正されたエンコーダ・デコーダ生成器を用いてエンドツーエンドで訓練されたGANにより、合成地震データ上で最先端の性能を達成し、サイクルスキップを著しく低減するとともに計算コストも削減された。さらに、転移学習により、より高いロバスト性を示した。

ABSTRACT

Acoustic- and elastic-waveform inversion is an important and widely used method to reconstruct subsurface velocity image. Waveform inversion is a typical non-linear and ill-posed inverse problem. Existing physics-driven computational methods for solving waveform inversion suffer from the cycle skipping and local minima issues, and not to mention solving waveform inversion is computationally expensive. In recent years, data-driven methods become a promising way to solve the waveform inversion problem. However, most deep learning frameworks suffer from generalization and over-fitting issue. In this paper, we developed a real-time data-driven technique and we call it VelocityGAN, to accurately reconstruct subsurface velocities. Our VelocityGAN is built on a generative adversarial network (GAN) and trained end-to-end to learn a mapping function from the raw seismic waveform data to the velocity image. Different from other encoder-decoder based data-driven seismic waveform inversion approaches, our VelocityGAN learns regularization from data and further impose the regularization to the generator so that inversion accuracy is improved. We further develop a transfer learning strategy based on VelocityGAN to alleviate the generalization issue. A series of experiments are conducted on the synthetic seismic reflection data to evaluate the effectiveness, efficiency, and generalization of VelocityGAN. We not only compare it with existing physics-driven approaches and data-driven frameworks but also conduct several transfer learning experiments. The experiment results show that VelocityGAN achieves state-of-the-art performance among the baselines and can improve the generalization results to some extent.

研究の動機と目的

• 物理駆動型の音響波および弾性波形逆問題（AEWI）におけるサイクルスキップと高い計算コストの問題に対処すること。
• 既存のデータ駆動型ディープラーニング手法が地震逆問題において示す一般化性能と過学習の制限を克服すること。
• 物理的正則化をデータから学習するリアルタイムでエンドツーエンドのデータ駆動型逆問題フレームワークを構築すること。
• 合成地震データセット上での提案手法の有効性、効率性、一般化能力を評価すること。
• 転移学習が多様な地質的構造にわたるモデルの一般化性能をどのように向上させるかを調査すること。

提案手法

• 本手法は、エンコーダ・デコーダ構造を有するU-Netに基づく生成器を用いた条件付きGANアーキテクチャを採用し、生の地震波形を地下速度画像にマッピングする。
• 判別器は畳み込みニューラルネットワークであり、実際の速度画像と生成された画像を区別することで、敵対的訓練を通じて現実的な画像事前分布を学習する。
• 敵対的損失、知覚的損失、再構成損失を組み合わせた修正された損失関数を用いることで、画像の忠実性と構造的正確性を向上させる。
• 生成器は判別器からのフィードバックによって正則化され、手作業で設計された事前分布に依存せず、データから物理的制約を暗黙的に学習できる。
• 事前学習済みのVelocityGANを新しい地質的構造に微調整することで、転移学習戦略を実装し、未観測データへの一般化性能を向上させる。
• 大規模な速度モデルとそれに対応する合成波形のデータセットを用いて、合成地震反射データ上でエンドツーエンドでモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのデータ駆動型手法は、従来の物理駆動型波形逆問題よりも精度と計算効率において優れているか？
• RQ2 本手法であるVelocityGANは、トレーニング時に見なかった地質的構造に対してもどれほど一般化できるか？
• RQ3 転移学習は、データ駆動型地震逆問題モデルの一般化性能をどの程度向上させるか？
• RQ4 条件付き判別器を用いた敵対的訓練は、標準的なオートエンコーダベースの手法と比較して、より良い正則化と向上した逆問題品質をもたらすか？
• RQ5 複雑な構造、例えば複数の断層や曲がった界面を含む場合、モデルはどのように性能を示すか？

主な発見

• VelocityGANは、0-Fault CurvedDataおよび2-Fault CurvedDataの両方で最先端の性能を達成し、定量的および定性的な指標において、物理駆動型手法のAEWI-PreおよびAEWI-MTVを上回った。
• 2-Fault CurvedDataにおいて、VelocityGAN-TFは閾値t=1.10で95.85%の精度を達成し、AEWI-Pre（68.36%）およびAEWI-MTV（79.32%）を著しく上回った。
• モデルは一般化能力を示した：1-faultデータで学習したVelocityGANは、0-および2-fault構造を正常に再構成できたが、近接する断層の場合はぼやけた出力が見られた。
• VelocityGAN-TFによる転移学習により再構成品質が向上し、特に断層の幾何形状の保持が改善された。2-Fault CurvedDataではt=1.10で88.30%の精度を達成し、元のVelocityGAN（t=1.10で55.33%）を上回った。
• 可視化結果では、VelocityGANの出力は物理駆動型手法と比較して、よりクリアでシャープな地質的境界と断層を示したのに対し、物理駆動型手法は深部および高速度領域で振動を示した。
• アブレーションスタディの結果、学習された正則化を有する条件付き敵対的訓練は、標準的なオートエンコーダベースラインと比較して、画像品質の向上とアーチファクトの低減を顕著に実現した。