[論文レビュー] SFA-GTM: Seismic Facies Analysis Based on Generative Topographic Map and RBF

Jatin Bedi, Durga Toshniwal|arXiv (Cornell University)|Jun 1, 2018

Reservoir Engineering and Simulation Methods参考文献 11被引用数 6

ひとこと要約

本稿では、生成的地形マッピング（GTM）と径路基底関数（RBF）補間を組み合わせた非線形な地震層理分析手法SFA-GTMを提案する。地震データからグレイレベリングコ・オクルレンス行列（GLCM）のテクスチャ属性4つ（エネルギー、均質性、コントラスト、相違性）を抽出し、RBFを用いて誤差が小さい（RMSE < 0.24）欠損値を補間し、GTMを用いて教師なし非線形クラスタリングを実行する。本手法は、井戸ログデータが存在しない状況でも、線形手法よりも正確で明確な層理分類を実現し、自然なクラスタを特定できる点で優れている。

ABSTRACT

Seismic facies identification plays a significant role in reservoir characterization. It helps in identifying the various lithological and stratigraphical changes in reservoir properties. With the increase in the size of seismic data or number of attributes to be analyzed, the manual process for facies identification becomes complicated and time-consuming. Even though seismic attributes add multiple dimensions to the data, their role in reservoir characterization is very crucial. There exist different linear transformation methods that use seismic attributes for identification, characterization, and visualization of seismic facies. These linear transformation methods have been widely used for facies characterization. However, there are some limitations associated with these methods such as deciding the width parameters, number of clusters, convergence rate etc. Therefore, the present research work uses non-linear transformation approach that overcomes some of the major limitations of linear approaches. The proposed Seismic facies analysis approach based on Generative Topographic Map \&amp; Radial Basis Function(SFA-GTM) works by calculating the set of four Gray Level Co-occurrence Matrix(GLCM) texture based attributes viz. energy, homogeneity, contrast, and dissimilarity. The Generative Topographic Map(GTM) is used for unsupervised classification of seismic facies based on the set of calculated texture attributes. Further, the present work uses Radial Basis Function(RBF) for interpolating the missing values in the data.

研究の動機と目的

• K-means や SOM などの線形手法が示す限界、たとえば初期パラメータへの感受性、収束問題、最適なクラスタ数の特定の困難さを克服すること。
• 井戸ログデータを必要とせず、地震データ内の自然なクラスタを同定できる教師なし非線形手法を開発すること。
• 径路基底関数（RBF）ネットワークを用いて、欠損属性値を高精度に補間することで、データ品質を向上させること。
• 生成的地形マップ（GTM）を用いた非線形次元削減により、地震層理の可視化および分類精度を向上させること。

提案手法

• 3次元地震データからグレイレベリングコ・オクルレンス行列（GLCM）を用いて、エネルギー、均質性、コントラスト、相違性の4つのテクスチャベースの地震属性を抽出する。
• 訓練誤差とテスト誤差を各属性について報告する。
• 生成的地形マップ（GTM）を用いて非線形次元削減を実行し、4次元テクスチャ属性空間を2次元の潜在空間にマッピングすることで、可視化およびクラスタリングを可能にする。
• 収束の安定性を確保するため、主成分分析（PCA）を用いてGTMのパラメータ（重みとバイアス）を初期化する。
• 収束基準（誤差が一定または最大反復回数に達する）を満たすまで、期待値最大化（EM）アルゴリズムを繰り返し適用してGTMパラメータを最適化する。
• 潜在空間を元のデータ空間に再投影することで、最終的な層理分類を可視化し、真値と比較して解釈する。

実験結果

リサーチクエスチョン

• RQ1 GTM などの非線形教師なし手法は、テクスチャ属性に基づく地震層理分類において、K-means や SOM などの従来の線形手法を上回ることができるか？
• RQ2 RBFネットワークは地震テクスチャ属性の欠損値をどの程度効果的に補間できるか、および補間の精度はいかほどか？
• RQ3 GTM は、事前のラベル付けや井戸ログの制約なしに、地震データ内の自然なクラスタ構造をどの程度保持できるか？
• RQ4 複雑またはノイズの多い領域において、SFA-GTMフレームワークは線形変換手法に比べて分類の明確さと正確さにおいてどの程度優れているか？
• RQ5 GLCM由来のテクスチャベース属性を用いることで、地震層理分類のロバスト性と解釈可能性はどの程度向上するか？

主な発見

• RBF補間モデルは低歪みの平均二乗誤差（RMSE）を達成した：エネルギーでは訓練時0.178、テスト時0.213、均質性では0.182と0.201、コントラストでは0.203と0.238、相違性では0.194と0.197であり、欠損値補間の高精度を示している。
• GTMに基づく分類は4つの明確に区別できる地震層理を特定した。線形変換手法と比較して、層理境界の区別がより明確かつ正確に描出された。
• 図4(a)（線形）と図4(b)（非線形GTM）で強調された領域の可視的比較により、GTM手法がより明確で地質学的に妥当な層理クラスタを生成することが確認された。
• GTM手法は、事前にクラスタ数を定義する必要がなく、井戸ログデータがなくても、データ内に自然に存在するクラスタを効果的に同定した。
• 真値との照合により、SFA-GTM手法が地震層理同定において高い正確性を達成していることが確認された。
• 実行時間の複雑さが高めであるものの、K-means や SOM などの線形クラスタリング手法に共通する収束性や安定性の問題を効果的に解決した。