[論文レビュー] DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network

Swapnil Mache, Praveen Kumar Pokala+2 more|arXiv (Cornell University)|Apr 10, 2021

Seismic Imaging and Inversion Techniques参考文献 67被引用数 5

ひとこと要約

本稿では、重み付きミニマックス凹型罰則（MCP）正則化を用いてスパースな地震反射率逆問題を解くための深層アンフォールドニューラルネットワーク、DuRINを提案する。非凸最適化アルゴリズムを学習可能で解釈可能なアーキテクチャにアンフォールドすることで、合成1次元／2次元モデル、Marmousi2ベンチマーク、および実際の3次元Penobscot調査データにおいて、FISTA、BPI、SBL-EMよりも優れたインターフェース局在化と横方向連続性を達成した。主な指標としてPESとSRERにおいて優れた性能を示した。

ABSTRACT

We consider the reflection seismology problem of recovering the locations of interfaces and the amplitudes of reflection coefficients from seismic data, which are vital for estimating the subsurface structure. The reflectivity inversion problem is typically solved using greedy algorithms and iterative techniques. Sparse Bayesian learning framework, and more recently, deep learning techniques have shown the potential of data-driven approaches to solve the problem. In this paper, we propose a weighted minimax-concave penalty-regularized reflectivity inversion formulation and solve it through a model-based neural network. The network is referred to as deep-unfolded reflectivity inversion network (DuRIN). We demonstrate the efficacy of the proposed approach over the benchmark techniques by testing on synthetic 1-D seismic traces and 2-D wedge models and validation with the simulated 2-D Marmousi2 model and real data from the Penobscot 3D survey off the coast of Nova Scotia, Canada.

研究の動機と目的

• ℓ1ノルム正則化に内在するバイアスを克服するため、非凸なスパース性促進正則化を組み込むことで、地震反射率逆問題の不適切な定式化を解消すること。
• 密接に配置されたまたは低振幅のインターフェースにおいても、サポート回復と振幅推定を向上させること。
• 反復的非凸最適化アルゴリズムをアンフォールドし、学習可能で解釈可能なニューラルネットワークアーキテクチャに変換する、モデルベースのディープラーニングフレームワークの構築。
• 合成1次元および2次元トレース、シミュレーテッドMarmousi2モデル、およびPenobscot調査の実3次元フィールドデータを含む多様なデータセット上で、提案手法の妥当性を検証すること。

提案手法

• 反射率逆問題を、ℓ1正則化よりもバイアスを低減し、スパarsityを強化する重み付きミニマックス凹型罰則（MCP）正則化付き最適化問題として定式化する。
• 最適化アルゴリズムを深層ニューラルネットワークアーキテクチャ（DuRIN）にアンフォールドし、各レイヤーが反復的シェイプイングスレッディングスキームの1反復に対応する。
• 既知の反射率とRickerウェーブレットを用いて生成された合成地震トレース上で、エンドツーエンドに訓練することで、最適なスレッディングしきい値およびソフトスレッディング関数のデータ駆動的学習を可能にする。
• 深さとパフォーマンスのトレードオフを調査するため、異なるネットワーク深さと残差接続を持つ2つのバージョン、DuRIN-1とDuRIN-2を実装する。
• 信号の大きさに応じて適応する非凸ペナルティを統合し、強めの反射体と弱い反射体の両方の回復を向上させる。
• PES（サポートにおける誤差確率）、RRE（相対回復誤差）、SRER（推定反射率の信号対雑音比）といった標準指標を用いて評価し、FISTA、BPI、SBL-EMと比較する。

実験結果

リサーチクエスチョン

• RQ1 重み付きMCPに基づく非凸正則化フレームワークは、ℓ1ベースの手法と比較して、地震反射率逆問題におけるサポート回復と振幅推定を改善できるか？
• RQ2 アンフォールドされた非凸最適化に基づく深層アンフォールドネットワークアーキテクチャは、合成および実データにおいて、従来の反復ソルバーと比較して解像度とロバスト性に優れているか？
• RQ3 マルチトレースや2次元畳み込み処理に依存せずに、1トレースのディープラーニングモデルが地下インターフェースの横方向連続性をどの程度保持できるか？
• RQ4 合成データでのみ学習された本手法のモデルベースのディープラーニングフレームワークは、実フィールドデータ（例：3次元Penobscot調査）に十分に一般化できるか？
• RQ5 インターフェース局在化精度と計算コストの観点から、ネットワークの深さとパフォーマンスのトレードオフはどのようなものか？

主な発見

• Marmousi2モデルにおいて、DuRIN-1とDuRIN-2はそれぞれPES（サポートにおける誤差確率）が0.03および0.02に達し、BPI（0.12）とFISTA（0.15）を著しく上回り、優れたサポート回復を示した。
• Marmousi2モデルにおいて、DuRIN-1とDuRIN-2はそれぞれSRER（推定反射率の信号対雑音比）が22.1 dBおよび22.3 dBに達し、SBL-EMの18.5 dBおよびBPIの17.8 dBを上回った。
• 実Penobscot 3次元調査データにおいて、DuRIN-1とDuRIN-2は、BPIやFISTAの滑らかな出力と比較して、特に1.1秒付近で高い解像度と良好な横方向連続性を示した反射率プロファイルを生成した。
• Well-logから得た反射率との比較により、Penobscotデータにおける密接に配置されたインターフェースを正常に解消できたことが確認され、DuRIN-1とDuRIN-2は基準プロファイルとより良好に一致した。
• 本手法は、合成および実データにおいてノイズとウェーブレットの不確実性に対してロバストであり、合成トレースのみで学習されたにもかかわらず、高い性能を維持した。
• Marmousi2モデルのガスを含む砂層チャネルの下流に位置する低振幅反射の回復は限定的であり、今後の研究で弱いイベントに対する感度を向上させる必要がある。