[論文レビュー] Seismic facies recognition based on prestack data using deep convolutional autoencoder

Feng Qian, Miao Yin+3 more|arXiv (Cornell University)|Apr 8, 2017

Seismic Imaging and Inversion Techniques参考文献 8被引用数 7

ひとこと要約

本稿では、プレストレインス地震データを用いた地震堆積相認識のための深層畳み込み自己符号化器（CAE）を提案する。各ギャザーを画像として扱い、教師なし学習によって階層的特徴を学習する。この手法は、PCA やポストストレインスデータ手法よりもより特徴的な特徴を抽出し、洞窟や亀裂などの小スケールの地質的構造をよりよく保持する明確な堆積相マップを生成する。

ABSTRACT

Prestack seismic data carries much useful information that can help us find more complex atypical reservoirs. Therefore, we are increasingly inclined to use prestack seismic data for seis- mic facies recognition. However, due to the inclusion of ex- cessive redundancy, effective feature extraction from prestack seismic data becomes critical. In this paper, we consider seis- mic facies recognition based on prestack data as an image clus- tering problem in computer vision (CV) by thinking of each prestack seismic gather as a picture. We propose a convo- lutional autoencoder (CAE) network for deep feature learn- ing from prestack seismic data, which is more effective than principal component analysis (PCA) in redundancy removing and valid information extraction. Then, using conventional classification or clustering techniques (e.g. K-means or self- organizing maps) on the extracted features, we can achieve seismic facies recognition. We applied our method to the prestack data from physical model and LZB region. The re- sult shows that our approach is superior to the conventionals.

研究の動機と目的

• 高冗長性を示すプレストレインス地震データからの有効な特徴抽出の課題に取り組み、地震堆積相認識の向上を図ること。
• PCA やポストストレインスデータ手法といった従来手法の限界を乗り越えるために、深層学習を活用し、階層的・非線形的特徴を学習すること。
• プレストレインス地震ギャザーを画像として扱い、畳み込み自己符号化器を用いてエンドツーエンドの特徴学習を可能にするフレームワークを構築すること。
• 従来手法と比較して、小規模な洞窟や亀裂といった微細な地質的特徴を捉える能力に優れていることを実証すること。
• 教師なし特徴学習とクラスタリングを組み合わせた自動地震堆積相マッピングのための深層学習パイプラインを確立すること。

提案手法

• 各プレストレインス地震ギャザーを2次元画像として扱い、複数層を持つ深層畳み込み自己符号化器（CAE）を用いて階層的特徴を学習する。
• バックプロパゲーションと平均二乗誤差（MSE）損失を用いて、層別にCAEを訓練する：$ L = \frac{1}{2n}\sum_{i=1}^{n}(\mathbf{X}_i - \mathbf{Z}_i)^2 $、再構成誤差を最小化する。
• 各畳み込み層の後にマックスプーリングを適用し、特徴マップの空間次元を低減する。
• ドロップアウト確率を低く設定してニューロンをランダムに無効化することで、スパース自己符号化器正則化を適用し、一般化性能を向上させる。
• 訓練済みCAEの中間層から学習済み特徴を抽出し、それを教師なしクラスタリングの入力として使用する。
• 抽出された特徴に対してK-meansクラスタリングを適用し、最終的な地震堆積相マップを生成する。

実験結果

リサーチクエスチョン

• RQ1 PCA や従来手法と比較して、深層畳み込み自己符号化器はプレストレインス地震データから意味のある低次元表現を効果的に学習できるか？
• RQ2 深層特徴学習を用いたプレストレインスデータの利用は、ポストストレインスデータと比較して、小規模な洞窟や亀裂といった微細な地質的特徴の検出を向上させるか？
• RQ3 提案手法のCAEベースの性能は、PCA やポストストレインスデータと比較して、堆積相マップの明瞭さおよび地質的詳細の保持の観点でどのように異なるか？
• RQ4 教師なし事前学習によるCAEの性能向上は、ラベルなしデータにおいて特徴抽出の質をどの程度向上させるか？
• RQ5 ネットワークの深さとアーキテクチャの違いが、学習済み特徴の質および最終的なクラスタリング結果に与える影響は何か？

主な発見

• CAEベースの手法は、プレストレインス地震データから階層的・非線形的特徴を効果的に学習し、冗長性低減および有効情報抽出の面でPCAを上回った。
• 物理モデルのテストでは、CAE手法が最小の洞窟および河川構造（赤丸で示す）を明確に特定したが、PCAおよびポストストレインス手法ではそれらを解像できなかった。
• LZB地域では、CAE手法がPCAやポストストレインスデータと比較して、より詳細かつ正確な堆積相マップを生成し、地質的構造の輪郭を明確にした。
• CAEからの再構成特徴は、従来手法よりも空間パターンおよび地質的詳細をより効果的に保持しており、図3および図4で視覚的に確認された。
• 本手法は、合成データ（物理モデル）および実データ（LZB地域）の両方のプレストレインス地震データに対して、頑健で優れた性能を示した。
• CAEから抽出した特徴に対する教師なしクラスタリングにより、一貫性があり地質的に妥当な堆積相マップが得られ、学習済み表現の有効性が検証された。