[논문 리뷰] Accelerating Time-Reversal Imaging with Neural Operators for Real-time Earthquake Locations

Hongyu Sun, Yang Yan외 3명|arXiv (Cornell University)|2022. 10. 13.

Seismic Imaging and Inversion Techniques인용 수 4

한 줄 요약

이 논문은 실시간 고해상도 지진 위치 특정을 위한 시간역전 영상 기법을 가속화하기 위해 U자형 신경 연산자를 사용하는 딥러닝 프레임워크를 제안한다. 합성 파동장에 대해 훈련을 거친 모델은 거의 실시간으로 모든 지점의 역방향 전파된 파동장을 예측하며, 계산 시간을 수 시간에서 1분 미만으로 단축시킨다. 이로 인해 다중 지점 파동형의 물리적 원리를 반영한 효율적인 정확도를 가진 지진원 위치 특정이 가능해지며, 전체파동형 시뮬레이션 수준의 정확도를 확보한다.

ABSTRACT

Earthquake hypocenters form the basis for a wide array of seismological analyses. Pick-based earthquake location workflows rely on the accuracy of phase pickers and may be biased when dealing with complex earthquake sequences in heterogeneous media. Time-reversal imaging of passive seismic sources with the cross-correlation imaging condition has potential for earthquake location with high accuracy and high resolution, but carries a large computational cost. Here we present an alternative deep-learning approach for earthquake location by combining the benefits of neural operators for wave propagation and time reversal imaging with multi-station waveform recordings. A U-shaped neural operator is trained to propagate seismic waves with various source time functions and thus can predict a backpropagated wavefield for each station in negligible time. These wavefields can either be stacked or correlated to locate earthquakes from the resulting source images. Compared with other waveform-based deep-learning location methods, time reversal imaging accounts for physical laws of wave propagation and is expected to achieve accurate earthquake location. We demonstrate the method with the 2D acoustic wave equation on both synthetic and field data. The results show that our method can efficiently obtain high resolution and high accuracy correlation-based time reversal imaging of earthquake sources. Moreover, our approach is adaptable to the number and geometry of seismic stations, which opens new strategies for real-time earthquake location and monitoring with dense seismic networks.

연구 동기 및 목표

• 기존 시간역전 영상 기반 지진 위치 특정의 높은 계산 비용을 극복하기 위해.
• 밀도 높은 지진 관측망을 활용한 실시간 고해상도 지진 모니터링을 가능하게 하기 위해.
• 정확하고 해석 가능한 지진 위치 특정을 위해 깊이 학습에 물리적 파동 전파 법칙을 통합하기 위해.
• 단서 추출에 대한 의존도를 줄이고 복잡한 비균질 매질에서의 성능을 향상시키기 위해.
• 다양한 지점 기하구조와 속도 모델에 적응 가능한 확장성 있고 일반화된 방법을 개발하기 위해.

제안 방법

• U자형 신경 연산자가 2차원 음향파 동역학 방정식에서 유도된 합성 파동장을 기반으로, 동시에 각 지점의 시간역전 파동장을 예측하도록 훈련된다.
• 다양한 원천 시간 함수와 속도 구조를 포함한 훈련 데이터를 통해 다양한 지진 상황에 일반화할 수 있도록 훈련된다.
• 모든 지점의 역방향 전파된 파동장을 상호상관시켜 원천 영상 생성하며, 피크 강도가 지진의 진원 위치를 나타낸다.
• 상호상관 영상 조건을 활용하여 공간 해상도를 향상시키고 진폭 오차에 대한 강건성을 높인다.
• 물리적 정확도를 확보하고 수치적 아티팩트를 방지하기 위해 스펙트럼 요소 방법(SEM) 시뮬레이션을 활용해 훈련 데이터를 생성한다.
• 적절한 재훈련과 아키텍처 적응을 통해 3차원 및 탄성 매질로의 확장이 가능하도록 설계되었다.

실험 결과

연구 질문

• RQ1 신경 연산자가 정확도를 유지하면서도 시간역전 영상 기반 지진 위치 특정의 계산 속도를 크게 향상시킬 수 있는가?
• RQ2 전체파동형 시뮬레이션(SIM)과 비교할 때 신경 연산자의 위치 정확도 및 해상도는 어떠한가?
• RQ3 실제 파동형에서 신호 대 잡음비가 낮거나 진폭 오차가 있는 경우 이 방법은 어느 정도 견딜 수 있는가?
• RQ4 필터링된 파동형과 원시 파동형을 사용했을 때의 성능은 어떻게 다른가? 최적의 결과를 얻기 위해 필요한 전처리는 무엇인가?
• RQ5 재훈련 없이도 다양한 지점 기하구조와 속도 모델에 일반화할 수 있는가?

주요 결과

• 신경 연산자(UNO)는 96×96 격자에서 모든 지점의 역방향 전파된 파동장을 30초 미만으로 예측하며, SEM 방식 대비 180배의 속도 향상을 달성한다.
• UNO의 원천 영상에서는 SEM 수준의 위치 정확도를 확보하며, 특히 저주파 파동장(≤6 Hz)에서 뛰어난 성능을 보이며, 합성 및 현장 데이터 모두에서 정확한 진원 복원이 가능하다.
• 원시 파동형을 입력으로 사용해도 상호상관 영상 조건이 정확한 원천 영상을 생성함으로써, 진폭 오차 및 저주파 성분의 지배성에 강건함을 입증한다.
• 현장 데이터에 단순한 저역통과 필터(3–6 Hz)를 적용하면 위치 정확도가 크게 향상되며, 이는 저주파 성분만으로도 신뢰할 수 있는 영상이 가능함을 시사한다.
• 다양한 지점 기하구조에서 높은 해상도와 정확도를 유지하며, 지하 구조에 대한 사전 지식이 있으면 다양한 속도 모델에 쉽게 적응 가능하다.
• 실시간 지진 모니터링 가능성을 확보하였으며, 밀도 높은 지진 관측망에서 운영용으로 적용 가능한 처리 시간을 확보하였다.