[論文レビュー] $\mathbf{\mathbb{E}^{FWI}}$: Multi-parameter Benchmark Datasets for Elastic Full Waveform Inversion of Geophysical Properties

Shihang Feng, Hanchen Wang+7 more|arXiv (Cornell University)|Jun 21, 2023

Seismic Imaging and Inversion Techniques被引用数 4

ひとこと要約

本論文は、P波およびS波の整合速度とマルチコンポonent地震データを備えた、8つの多様な地下構造モデルを含む、オープンソースの弾性全波形反転（FWI）ベンチマークデータセット $Ε^{FWI}$ を紹介する。このデータセットは、深層学習を用いたマルチパラメータ反転を可能にし、現実世界の複雑さに対する耐性向上を示す一方で、P波およびS波の物理的結合に起因する収束性と計算コストの課題を浮き彫りにしている。

ABSTRACT

Elastic geophysical properties (such as P- and S-wave velocities) are of great importance to various subsurface applications like CO$_2$ sequestration and energy exploration (e.g., hydrogen and geothermal). Elastic full waveform inversion (FWI) is widely applied for characterizing reservoir properties. In this paper, we introduce $\mathbf{\mathbb{E}^{FWI}}$, a comprehensive benchmark dataset that is specifically designed for elastic FWI. $\mathbf{\mathbb{E}^{FWI}}$ encompasses 8 distinct datasets that cover diverse subsurface geologic structures (flat, curve, faults, etc). The benchmark results produced by three different deep learning methods are provided. In contrast to our previously presented dataset (pressure recordings) for acoustic FWI (referred to as OpenFWI), the seismic dataset in $\mathbf{\mathbb{E}^{FWI}}$ has both vertical and horizontal components. Moreover, the velocity maps in $\mathbf{\mathbb{E}^{FWI}}$ incorporate both P- and S-wave velocities. While the multicomponent data and the added S-wave velocity make the data more realistic, more challenges are introduced regarding the convergence and computational cost of the inversion. We conduct comprehensive numerical experiments to explore the relationship between P-wave and S-wave velocities in seismic data. The relation between P- and S-wave velocities provides crucial insights into the subsurface properties such as lithology, porosity, fluid content, etc. We anticipate that $\mathbf{\mathbb{E}^{FWI}}$ will facilitate future research on multiparameter inversions and stimulate endeavors in several critical research topics of carbon-zero and new energy exploration. All datasets, codes and relevant information can be accessed through our website at https://efwi-lanl.github.io/

研究の動機と目的

• P波およびS波の整合速度とマルチコンポonent地震データを含む、標準化され現実的であるが、マルチパラメータ弾性FWIのためのベンチマークデータセットが不足している問題を解決すること。
• 例えば断層や曲面層を含む多様な地下地質構造を提供することで、弾性FWIにおける深層学習手法の開発と評価を支援すること。
• P波およびS波速度の間の結合が、反転の正確性と収束性に与える影響を調査すること。
• 高精度な地下構造の特徴抽出を可能にすることで、地熱エネルギーおよび炭素隔離を含むカーボンゼロエネルギー分野における研究を促進すること。

提案手法

• 平坦な層、曲面界面、断層付き構造を含む、さまざまな地質的構造を持つ8つの合成地震データセットを含む。
• 各データセットには、P波およびS波の整合速度を用いた完全な弾性波場シミュレーションが含まれており、垂直方向および水平方向の両コンポonentに合成地震データが記録されている。
• 弾性波方程式を用いた前方モデリング結果を含み、細かいグリッド間隔と高精度な時間領域ソルバーを用いて数値分散を最小限に抑えることに焦点を当てている。
• P波およびS波速度のマルチパラメータ反転のためのベースライン性能を確立するために、3つの深層学習モデルがこのデータセット上で評価された。
• P波およびS波速度ペアから導出されたポisson比とヤング率のマップを提供することで、岩性および流体含有量の分析を支援する。
• すべてのデータとコードは、ロスアラモス国立研究所および米国エネルギー省の承認を経て、公開ウェブサイトを通じて公開される予定である。

Figure 1: Gallery of $\mathbf{\mathbb{E}^{FWI}}$ : one example of reservoir structure ( $\mathrm{Pr}$ ) and velocity maps ( $V_{P}$ , $V_{S}$ ) from the $\mathbf{\mathbb{E}^{FVB},\mathbb{E}^{FFB},\mathbb{E}^{CVB},\mathbb{E}^{CFB}}$ datasets. $\mathrm{Pr}$ refers to the designed reservoir, which is t

実験結果

リサーチクエスチョン

• RQ1 P波およびS波速度を地震データに含めることで、深層学習手法を用いた弾性FWIの収束性と正確性にどのような影響を与えるか。
• RQ2 垂直方向および水平方向のマルチコンポonent地震データは、単一コンポonentデータと比較して、地下の弾性パラメータの反転にどのような影響を与えるか。
• RQ3 断層や曲面層などの異なる地質的構造は、$Ε^{FWI}$ で訓練されたマルチパラメータFWIモデルの性能にどのように影響を与えるか。
• RQ4 このデータセットの複雑さと物理的現実性を考慮すると、$Ε^{FWI}$ で訓練された深層学習モデルが実世界のフィールドデータにどの程度一般化可能か。
• RQ5 弾性FWIにおける速度のトレードオフと非線形性に起因する主な課題は何か。また、ネットワーク設計によってそれらをどのように緩和できるか。

主な発見

• $Ε^{FWI}$ ベンチマークは、P波およびS波成分を併せ持つ複雑で現実的な弾性波場データを処理する能力が向上した、このデータセットで訓練された深層学習モデルの高い頑健性を示している。
• P波およびS波速度の結合は、反転問題の非線形性を顕著に増大させ、音響FWIと比較して収束が遅く、計算コストも高くなる。
• 水平方向コンポonentデータの導入により、特に断層や複雑な構造を有する領域において、地下速度モデル再構築の分解能と正確性が向上した。
• ベンチマークの結果から、単純な構造では高精度な反転が達成される一方で、極めて不均一または異方性の強いモデルでは性能が低下することが判明し、より優れたネットワークアーキテクチャの開発が求められている。
• このデータセットにより、P波およびS波速度からポisson比とヤング率を導出可能であり、岩性、孔隙率、流体含有量に関する重要な知見が得られる。
• 本研究では、現在の深層学習モデルがP波およびS波速度間のトレードオフに対処するのに依然困難を抱えていることが判明し、今後の研究では、分離戦略と物理情報に基づく正則化の強化が重要であると示唆された。

Figure 2: Comparison of elastic data in $\mathbf{\mathbb{E}^{FWI}}$ and acoustic data in OpenFWI . Acoustic data only contain P-waves propagation while elastic data contain both P- and S-waves.