[論文レビュー] Deep learning for low frequency extrapolation of multicomponent data in elastic full waveform inversion

Hongyu Sun, Laurent Demanet|arXiv (Cornell University)|Dec 31, 2020

Seismic Imaging and Inversion Techniques参考文献 45被引用数 5

ひとこと要約

本稿では、バンド制限されたマルチコンponent弾性地震データから低周波成分を外挿する深層学習的手法を提案し、弾性全波形逆問題（FWI）の初期モデルを改善することを目的としている。大径の受容 field を持つ畳み込みニューラルネットワーク（CNN）を、垂直方向および水平方向の粒子速度成分について別々に訓練することで、2–4 Hz の低周波データを合成し、Marmousi2 モデル上での弾性 FWI においてサイクルスキップ問題を顕著に軽減する。

ABSTRACT

Full waveform inversion (FWI) strongly depends on an accurate starting model to succeed. This is particularly true in the elastic regime: The cycle-skipping phenomenon is more severe in elastic FWI compared to acoustic FWI, due to the short S-wave wavelength. In this paper, we extend our work on extrapolated FWI (EFWI) by proposing to synthesize the low frequencies of multi-component elastic seismic records, and use those "artificial" low frequencies to seed the frequency sweep of elastic FWI. Our solution involves deep learning: we separately train the same convolutional neural network (CNN) on two training datasets, one with vertical components and one with horizontal components of particle velocities, to extrapolate the low frequencies of elastic data. The architecture of this CNN is designed with a large receptive field, by either large convolutional kernels or dilated convolution. Numerical examples on the Marmousi2 model show that the 2-4Hz low frequency data extrapolated from band-limited data above 4Hz provide good starting models for elastic FWI of P-wave and S-wave velocities. Additionally, we study the generalization ability of the proposed neural network over different physical models. For elastic test data, collecting the training dataset by elastic simulation shows better extrapolation accuracy than acoustic simulation, i.e., a smaller generalization gap.

研究の動機と目的

• 短い S 波の波長と初期モデルへの依存性が強いことにより深刻なサイクルスキップ問題が生じる弾性全波形逆問題（FWI）に対処すること。
• バンド制限されたマルチコンponent地震データから合成低周波成分を計算的に効率的に生成する手法を開発し、弾性 FWI の周波数スイープの初期化に用いること。
• 音響的データと弾性的データで訓練された深層学習モデルの低周波外挙の一般化能力を評価すること。
• 外挙された低周波成分が、P 波および S 波の速度の正確な逆問題を可能にする程度を評価すること。

提案手法

• バンド制限されたマルチコンponent地震データから低周波を外挙するための深層畳み込みニューラルネットワーク（CNN）を、垂直粒子速度と水平粒子速度のそれぞれについて別々の訓練データセットを用いて訓練する。
• 大規模な畳み込みカーネルまたは拡張畳み込み（dilated convolutions）を用いることで、大規模な受容 field を実現し、低周波外挙に不可欠な長距離空間的依存性を確保する。
• 8 階の有限差分法を用いた応力-速度定式化により生成された合成弾性波場を用いて、音響的および弾性的な訓練データの両方を比較対象として用いてモデルを訓練する。
• 0–5 Hz 範囲の低周波データを合成し、弾性 FWI の初期化に用い、真の低周波データとの逆問題性能を比較する。
• 波場データの冗長性と波動伝搬の物理的整合性を活用して、欠落した低周波エネルギーを外挙する。

実験結果

リサーチクエスチョン

• RQ1 バンド制限されたマルチコンponent弾性地震データから深層学習を用いて低周波成分を効果的に外挙でき、弾性 FWI の初期モデルを改善できるか？
• RQ2 音響データで訓練した CNN と弾性データで訓練した CNN の間で、弾性テストデータへの一般化性能にどのような差が生じるか？
• RQ3 2–4 Hz の外挙された低周波成分が、4 Hz から開始する場合に、P 波および S 波の速度の成功した弾性 FWI をどの程度可能にするか？
• RQ4 訓練データの物理的性質（音響的 vs. 弾性的）が、深層学習モデルの一般化ギャップに与える影響は何か？

主な発見

• 大規模な受容 field を持つ CNN は、バンド制限データから 0–5 Hz の低周波成分を効果的に外挙し、Marmousi2 モデル上での真の低周波データと強い一致を示した。
• 2–4 Hz の外挙されたデータで初期化された弾性 FWI は、真の低周波データを用いた場合と同等の逆問題結果を達成し、サイクルスキップの軽減に有効であることが示された。
• 弾性訓練データで訓練したニューラルネットワークは、音響訓練データで訓練したモデルよりも、弾性テストデータへの一般化性能が顕著に優れており、一般化ギャップが小さいことが示された。
• 2–4 Hz の外挙された低周波データは、元のデータが 4 Hz 以上でバンド制限されていようとも、P 波および S 波の速度逆問題の低波数初期モデルを正確に生成するのに十分であった。
• 本研究は、現実的な弾性訓練データが、低周波外挙の強固さにとって不可欠であることを確認した。音響訓練データでは、弾性テストデータにおける予測誤差が高くなる傾向にあった。