[論文レビュー] Joint inversion of Time-Lapse Surface Gravity and Seismic Data for Monitoring of 3D CO$_2$ Plumes via Deep Learning

Adrian Celaya, Mauricio Araya‐Polo|arXiv (Cornell University)|Sep 24, 2023

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用数 3

ひとこと要約

本論文は、キムバーリン・サイトからの物理シミュレーションデータを活用して、時間分解能のある表面重力および地震データを同時に処理する、3次元ディープラーニングベースの新規な連合逆問題フレームワークを提案する。この手法は、重力のみ、地震のみのモデルよりも密度および速度の再構成、セグメンテーション精度、決定係数（R-squared）の指標において優れた性能を示し、炭素貯留モニタリングにおけるマルチフィジックスデータ統合の有効性を実証している。

ABSTRACT

We introduce a fully 3D, deep learning-based approach for the joint inversion of time-lapse surface gravity and seismic data for reconstructing subsurface density and velocity models. The target application of this proposed inversion approach is the prediction of subsurface CO2 plumes as a complementary tool for monitoring CO2 sequestration deployments. Our joint inversion technique outperforms deep learning-based gravity-only and seismic-only inversion models, achieving improved density and velocity reconstruction, accurate segmentation, and higher R-squared coefficients. These results indicate that deep learning-based joint inversion is an effective tool for CO$_2$ storage monitoring. Future work will focus on validating our approach with larger datasets, simulations with other geological storage sites, and ultimately field data.

研究の動機と目的

• 時間分解能のある表面重力および地震データを用いて、3次元ディープラーニングベースの逆問題手法を開発し、スケーラブルかつ高解像度の地下CO₂プロイル分布をモニタリングすること。
• 単一モダリティの逆問題の限界を克服するため、補完的な地球物理的データを統合して、より高精度で高解像度の地下モデルを実現すること。
• 特に炭素隔離のための地質的貯留応用を想定し、現実的で物理シミュレーションされたCO₂貯留シナリオ上で、提案された連合逆問題フレームワークを検証すること。
• PocketNetや三線形補間アップサンプリングといったアーキテクチャ的イノベーションを通じて、計算コストとモデルの複雑さを低減しつつ、高い性能を維持すること。
• 将来的な現地検証およびスノーヒットやキムバーリンを含む他の貯留サイトへの一般化の基盤を構築すること。

提案手法

• 本手法は、キムバーリン・サイトにおけるCO₂注入の物理シミュレーションから得られた合成時間分解能重力および地震データを用いて、3次元U-Netベースのディープラーニングアーキテクチャをエンドツーエンドで学習する。
• パラメータ数を約3300万から約34万に削減するため、PocketNetアーキテクチャを採用し、トレーニング時間とメモリ使用量を顕著に低減する。
• 転置畳み込みを三線形補間アップサンプリングに置き換えることで、推論の効率性と安定性を向上させる。
• データ不一致と正則化項を組み合わせた連合損失関数を採用し、今後の研究では空間的一致性を強制するためのDiceスコアベースの結合項の検討を予定している。
• リザーバー・シミュレーションから生成された真値の密度および速度モデルを用いて、教師あり学習でトレーニングを実施する。
• トレーニングは4台のA100 GPUを用い、バッチサイズ8で実施し、約400エポックで収束する。

Figure 1. Illustration of a change in surface gravity for a given density perturbation in the subsurface (Celaya et al . , 2023b ) .

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの表面重力および地震データの連合逆問題は、3次元CO₂プロイル分布の再構成において、単一モダリティの逆問題を上回る性能を示せるか？
• RQ2 重力と地震データの統合は、個別のデータタイプと比較して、地下密度および速度モデルの精度をどの程度向上させるか？
• RQ3 PocketNetや三線形補間アップサンプリングといったアーキテクチャ最適化は、モデル性能を損なわず、トレーニングコストをどの程度低減できるか？
• RQ4 決定係数、セグメンテーション精度、モデル不一致といった主な指標において、連合逆問題の結果はどのように比較されるか？
• RQ5 提案手法は、キムバーリンのシミュレーションにとどまらず、他の地質的貯留サイトにも一般化可能か？

主な発見

• 連合逆問題モデルは、重力のみ、地震のみのモデルと比較して、密度および速度再構成において優れた性能を示し、決定係数が向上し、不一致が低減している。
• 視覚的比較では、単一モダリティモデルと比較して、連合モデルがより正確で空間的一致性の高いプロイルセグメンテーションを生成していることが明らかになった。
• マルチフィジックス関係を学習する複雑さのため、連合モデルは約400エポックで収束するが、単一モダリティモデルは200エポックで収束する。
• 1エポックあたりのトレーニング時間は、4台のA100 GPUで約45秒であり、重力のみ（約20秒）や地震のみ（約30秒）のモデルよりは長いが、依然として計算的に実行可能である。
• 1台のA100 GPUで1回の予測の推論時間は1秒未満であり、リアルタイム応用の可能性を示している。
• PocketNetの導入により、モデルパラメータ数を約98.7%削減し、メモリおよび計算リソースの要件を顕著に低減しながらも、高い性能を維持している。

Figure 2. Example of seismic difference cube.