[논문 리뷰] CNN-tuned spatial filters for P- and S-wave decomposition and applications in elastic imaging

Wenlong Wang, Siwei Ma외 1명|arXiv (Cornell University)|2021. 12. 21.

Seismic Imaging and Inversion Techniques인용 수 4

한 줄 요약

이 논문은 2D 등방성 탄성 파동장에서 정확하고 아티팩트 없는 P-파와 S-파 분해를 위해 계산 비용이 높은 푸리에 변환을 피하는 CNN으로 조정된 공간 필터를 제안한다. 합성 데이터로 한 번만 훈련된 필터는 전통적인 공간 도메인 방법보다 뛰어난 분해 정확도를 달성하며, 특히 고속도 대비에서 탄성 역시간 미러링(Reverse-Time Migration, RTM)에서 영상 아티팩트를 감소시킨다.

ABSTRACT

P- and S-wave decomposition is essential for imaging multi-component seismic data in elastic media. A data-driven workflow is proposed to obtain a set of spatial filters that are highly accurate and artifact-free in decomposing the P- and S-waves in 2D isotropic elastic wavefields. The filters are formulated initially by inverse Fourier transforms of the wavenumber-domain operators, and then are tuned in a convolutional neural network to improve accuracy using synthetic snapshots. Spatial filters are flexible for decomposing P-and S-waves at any time step without performing Fourier transforms over the entire wavefield snapshots, and thus are suitable for target-oriented imaging. Snapshots from synthetic data show that the network-tuned spatial filters can decompose P- and S-waves with improved decomposition accuracy compared with other space-domain PS decomposition methods. Elastic reverse-time migration using P- and S-waves decomposed from the proposed algorithm shows reduced artifacts in the presence of a high velocity contrast.

연구 동기 및 목표

• 계산 비용이 높은 푸리에 변환에 의존하지 않고도 탄성 지구물리 영상에서 정확한 P-파와 S-파 분해 문제를 해결한다.
• 기존의 수렴과 비틀림 연산자로 인해 발생하는 진폭 및 위상 왜곡을 완화한다.
• 물리적 일관성을 유지하면서 다양한 속도 모델에 적용 가능한 데이터 기반의 훈련 가능한 공간 필터 프레임워크를 개발한다.
• 대규모 또는 국소적 지구물리 영상 워크플로우에 적합한 효율적이고 병렬 처리 가능한, 목표 지향적 분해를 가능하게 한다.
• 고속도 대비에서 아티팩트를 감소시켜 탄성 역시간 미러링에서 영상 품질을 향상시킨다.

제안 방법

• P-파와 S-파 분극화를 위한 波수 도메인 연산자에 대한 역 푸리에 변환을 통해 초기 공간 필터를 설정한다.
• 합성 파동장 스냅샷을 훈련 데이터로 사용하여 단일 층의 합성곱 신경망(Convolutional Neural Network, CNN)을 구현해 공간 필터를 조정한다.
• 파동장 스냅샷의 주파수 도메인에서 분해된 예측값과 진짜값 간의 차이를 최소화하도록 네트워크를 훈련시킨다.
• 재훈련 없이도 훈련된 필터를 다양한 모델에 직접 적용할 수 있도록 공간 도메인에서 직접 분해를 수행한다.
• 탄성 역시간 미러링(RTM) 워크플로우에 CNN으로 조정된 필터를 통합하여 PS 분해 및 영상 생성에 활용한다.
• 고성능 컴퓨팅(High-Performance Computing, HPC)에 유리하고 병렬 계산 효율성이 높은 특성 덕분에 국소적 목표 지향 데이터 세트에 필터를 국소적으로 적용한다.

실험 결과

연구 질문

• RQ1 CNN로 조정된 공간 필터는 분리된 전파 방식과 같은 전통적인 공간 도메인 방법보다 더 높은 분해 정확도를 달성할 수 있는가?
• RQ2 제안된 방법은 특히 고속도 대비에서 탄성 RTM에서 영상 아티팩트를 감소시키는가?
• RQ3 재훈련 없이도 하나의 훈련된 필터 세트가 다양한 탄성 모델에 일반화되어 적용 가능한가?
• RQ4 정확도와 계산 비용 측면에서 CNN으로 조정된 필터는 주파수 도메인 분해 방법과 비교해 어떻게 성능을 내는가?
• RQ5 공간 필터는 비등방성 또는 3D 탄성 매질로 얼마나 넓게 확장 가능한가?

주요 결과

• CNN로 조정된 공간 필터는 분리된 전파(DP) 방법보다 더 높은 분해 정확도를 확보했으며, 스택된 PP 및 PS 영상에서 아티팩트 감소로 이를 입증했다.
• CNN로 조정된 필터를 사용한 탄성 RTM에서는 DP 방법 대비 영상 경계가 더 일관되고 고속도 대비에서 아티팩트가 크게 감소했다.
• 네트워크 구조에 내장된 물리적 원리 덕분에 재훈련 없이도 다양한 모델에서 높은 정확도를 유지했다.
• 15×15 필터 세트의 계산 비용은 225N 연산이며, 주파수 도메인 방법의 4N log(N) 비용보다 높지만, 병렬 처리 및 목표 지향적 처리에 더 적합하다.
• 비등방성 매질로의 확장은 대표적 모델 점에서 조정된 비정상적 필터를 사용함으로써 가능하며, 3D로의 확장은 필터 세트를 여섯 개 성분(Lx, Ly, Lz, Lxy, Lxz, Lyz)으로 확장함으로써 가능하다.
• 훈련을 위한 진짜값은 주파수 도메인 분해에서 유도되었기 때문에, CNN로 조정된 필터는 주파수 도메인 방법의 정확도를 초월할 수 없지만, 공간 도메인 대안보다는 정확도가 유사하거나 이를 초월한다.