[論文レビュー] InversionNet: A Real-Time and Accurate Full Waveform Inversion with CNNs and continuous CRFs

Yue Wu, Youzuo Lin|arXiv (Cornell University)|Oct 26, 2018

Seismic Imaging and Inversion Techniques参考文献 22被引用数 31

ひとこと要約

InversionNet は、畳み込みニューラルネットワーク（CNN）ベースのエンコーダーデコーダー構造と連続的条件付きランダムフィールド（CRF）を組み合わせることで、反復的最適化を経ないリアルタイムで高精度なフルウェーブフォームインバージョン（FWI）手法を提案する。従来のFWIとは異なり、反復的最適化を経ないため、計算時間の短縮と高い精度を実現し、CRF正則化によって断層や境界付近のアーチファクトを顕著に低減する。

ABSTRACT

Full-waveform inversion problems are usually formulated as optimization problems, where the forward-wave propagation operator $f$ maps the subsurface velocity structures to seismic signals. The existing computational methods for solving full-waveform inversion are not only computationally expensive, but also yields low-resolution results because of the ill-posedness and cycle skipping issues of full-waveform inversion. To resolve those issues, we employ machine-learning techniques to solve the full-waveform inversion. Specifically, we focus on applying the convolutional neural network~(CNN) to directly derive the inversion operator $f^{-1}$ so that the velocity structure can be obtained without knowing the forward operator $f$. We build a convolutional neural network with an encoder-decoder structure to model the correspondence from seismic data to subsurface velocity structures. Furthermore, we employ the conditional random field~(CRF) on top of the CNN to generate structural predictions by modeling the interactions between different locations on the velocity model. Our numerical examples using synthetic seismic reflection data show that the propose CNN-CRF model significantly improve the accuracy of the velocity inversion while the computational time is reduced.

研究の動機と目的

• 従来のフルウェーブフォームインバージョン（FWI）手法の計算コストの高さと不適切な解法の問題を解決すること。
• 反復的最適化を回避し、地震データから地下速度構造への逆写像を直接学習するデータ駆動型アプローチの開発。
• 条件付きランダムフィールド（CRF）による構造的事前知識の統合を通じて、特に断層や地質的境界付近での逆問題の精度と解像度を向上させること。
• トレーニングデータに含まれない未観測の速度構造に対しても、ノイズ耐性を高め、一般化性能を向上させること。

提案手法

• U-Net 構造のエンコーダーデコーダー畳み込みニューラルネットワーク（CNN）を用い、地震データから地下速度モデルへの写像を学習する。
• エンコーダーは複数段階の畳み込み層を経て、階層的な特徴を抽出する。一方、デコーダーは特徴マップをアップサンプリングして速度モデルを再構築する。
• CNN の出力上に、局所的に接続された連続的 CRF を適用し、空間的依存性をモデル化するとともに、断層や境界部での速度値を精緻化する。
• CRF は速度予測の局所的整合性を強制し、逆問題によるアーチファクトを低減し、構造の忠実度を向上させる。
• 合成された地震反射データを用いて、真値の速度モデルをターゲットとして、モデルをエンドツーエンドで訓練する。
• 推論時には前方波動方程式の解法を必要としないため、リアルタイムでのインバージョンが可能となる。

実験結果

リサーチクエスチョン

• RQ1 反復的最適化を経ない深層学習モデルは、フルウェーブフォームインバージョンの正確で効率的な逆演算子を学習できるか？
• RQ2 連続的 CRF の統合は、特に断層や境界付近での速度再構築の構造的正確性をどのように向上させるか？
• RQ3 本手法は、地震データに追加のガウスノイズが加わった場合、どの程度耐性を示すか？
• RQ4 トレーニング時に見られなかった異なる地質的特徴（例えば、複数の断層、滑らかな速度変化）を持つ速度モデルに対しても、一般化できるか？

主な発見

• CNN-CRF モデルは、CNN 基準モデルに比べて顕著に高い逆問題の精度を達成し、均一領域でのアーチファクトが低減され、断層構造の明確な抽出が可能となった。
• SNR が 15 dB から 30 dB の範囲で、逆問題結果の平均絶対誤差（MAE）は 68.49–70.30 m/s の間で安定しており、ノイズ耐性が高いことが示された。
• トレーニングデータに断層のない速度モデルに対しても、モデルは良好な一般化性能を示し、3層または4層のモデルに対して妥当な再構築が得られた。
• 複数の断層を有する速度モデルに対しても、モデルは正常に再構築を実行したが、断層の幾何学的形状と速度対比は多少劣化していた。
• 徐々に深さに伴い速度が増加する層状モデルにおける滑らかな速度変化を適切に捉えており、非定常な速度層への一般化能力が示された。
• 従来のFWIに比べて計算時間が著しく短縮され、高精度を維持したままリアルタイムインバージョンが可能となった。