[論文レビュー] Developing a seismic pattern interpretation network (SpiNet) for automated seismic interpretation

Haibin Di|arXiv (Cornell University)|Oct 19, 2018

Seismic Imaging and Inversion Techniques参考文献 21被引用数 10

ひとこと要約

本論文では、リアルタイムで12種類の一般的な地震パターン（断層、ソルトドーム、ガスチムニーなど）を自動的に検出・アノテートするため、畳み込みニューラルネットワークアーキテクチャを活用した深層学習ベースの地震パターン解釈ネットワーク、SpiNetを紹介する。SpiDatデータセットを導入し、エンド・ツー・エンドでSpiNetを訓練することで、大規模な地震立方体において効率的でマルチパターン認識が可能となり、解釈の高速化を実現し、タスク特化型ネットワークの基盤を築く。

ABSTRACT

Seismic interpretation is now serving as a fundamental tool for depicting subsurface geology and assisting activities in various domains, such as environmental engineering and petroleum exploration. However, most of the existing interpretation techniques are designed for interpreting a certain seismic pattern (e.g., faults and salt domes) in a given seismic dataset at one time; correspondingly, the rest patterns would be ignored. Interpreting all the important seismic patterns becomes feasible with the aid of multiple classification techniques. When implementing them into the seismic domain, however, the major drawback is the low efficiency particularly for a large dataset, since the classification need to be repeated at every seismic sample. To resolve such limitation, this study first present a seismic pattern interpretation dataset (SpiDat), which tentatively categorizes 12 commonly-observed seismic patterns based on their signal intensity and lateral geometry, including these of important geologic implications such as faults, salt domes, gas chimneys, and depositional sequences. Then we propose a seismic pattern interpretation network (SpiNet) based on the state-of-the-art deconvolutional neural network, which is capable of automatically recognizing and annotating the 12 defined seismic patterns in real time. The impacts of the proposed SpiNet come in two folds. First, applying the SpiNet to a seismic cube allows interpreters to quickly identify the important seismic patterns as input to advanced interpretation and modeling. Second, the SpiNet paves the foundation for deriving more task-oriented seismic interpretation networks, such as fault detection. It is concluded that the proposed SpiNet holds great potentials for assisting the major seismic interpretation challenges and advancing it further towards cognitive seismic data analysis.

研究の動機と目的

• 一度に一つのパターンに焦点を当てた従来の地震解釈手法の非効率性に対処すること。
• 大規模な地震データセット全体にわたり、複数の地震パターンを同時に検出可能な統合的でリアルタイムなフレームワークの開発。
• 信号強度と横方向の幾何的特徴に基づいて12種類の一般的な地震パターンを分類する標準化されたデータセット（SpiDat）の作成。
• 繰り返しのサンプル単位分類を単一の推論プロセスに置き換えることで、より高速でスケーラブルな地震解釈を実現。
• 将来的なタスク特化型ネットワーク、例えば専用の断層検出システムの基盤を築くこと。

提案手法

• 本研究では、信号強度と横方向幾何的特徴を定義基準として用いることで、12種類の一般的な地震パターンを分類する新たな地震パターン解釈データセットであるSpiDatを構築する。
• SpiNetは、地震データから階層的特徴を学習可能な最新のデコンボリューションニューラルネットワークアーキテクチャを用いて構築される。
• ネットワークはエンド・ツー・エンドで訓練され、1回の順方向プロパゲーションで全12種類の地震パターンのピクセル単位のセグメンテーションマスクを予測する。
• エンコーダ・デコーダアーキテクチャにスキップ接続を組み込むことで、空間分解能を保持し、局所化の正確性を向上させる。
• 教師あり学習を用いてSpiDatデータセット上で訓練を行い、マルチクラスセグメンテーションのための交差エントロピー損失を適用する。
• 推論はリアルタイム性能を最適化しており、全地震立方体の迅速なアノテーションを可能にする。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、大規模な地震ボリューム全体にわたり、複数の地震パターンを同時に効果的に検出できるか？
• RQ2 提案手法であるSpiNetは、従来のサンプル単位分類手法と比較して、速度と正確性の面でどのように優れているか？
• RQ3 一様なネットワークアーキテクチャが、形状的および振幅特性が異なる多様な地震パターンにどれほど一般化できるか？
• RQ4 提案されたデータセット（SpiDat）は、マルチパターン地震パターン認識モデルの訓練および評価のための信頼できるベンチマークとして機能できるか？
• RQ5 SpiNetは、断層検出専用のネットワーク開発の基盤として、どのような可能性を秘めているか？

主な発見

• SpiNetは、1回の推論プロセスで全地震立方体を処理することで、サンプル単位分類よりも著しく計算効率が向上したリアルタイムでマルチパターン地震解釈を可能にする。
• モデルは、ソルトドームや断層ネットワークなど構造的に複雑な特徴を含む12種類の異なる地震パターンを高い正確性で検出する。
• SpiDatの導入により、標準化され、マルチクラスのベンチマークが提供され、再現可能でモデル評価に適した地震パターン認識の基盤が整った。
• デコンボリューションネットワークアーキテクチャは空間的詳細を効果的に保持しており、ノイズが多いかコントラストが低い領域でも、地震パターンの正確な局所化が可能である。
• SpiNetは強力な一般化可能性を示し、断層検出専用のネットワークなど、タスク特化型ネットワークの基盤フレームワークとしての可能性を秘めている。
• 本手法は解釈時間の短縮を実現し、地球的有意義なパターンの初期検出を自動化することで、認知的地震データ解析を支援する。