[논문 리뷰] Data-driven Seismic Waveform Inversion: A Study on the Robustness and Generalization

Zhongping Zhang, Youzuo Lin|arXiv (Cornell University)|2018. 09. 26.

Seismic Imaging and Inversion Techniques참고 문헌 47인용 수 9

한 줄 요약

이 논문은 생성적 적대 신경망(GANs) 기반으로 데이터 드리븐인 지반파형 역설계 방법인 VelocityGAN을 제안한다. 이 방법은 데이터로부터 정규화를 학습하여 정확도와 일반화 능력을 향상시킨다. 조건부 판별자와 수정된 인코더-디코더 생성자로 구성된 엔드 투 엔드 GAN을 훈련시켜 합성 지반파형 데이터에서 최신 기술 수준의 성능을 달성하였으며, 사이클 스트립킹과 계산 비용을 크게 줄였고, 전이 학습을 통해 강건성도 향상되었다.

ABSTRACT

Acoustic- and elastic-waveform inversion is an important and widely used method to reconstruct subsurface velocity image. Waveform inversion is a typical non-linear and ill-posed inverse problem. Existing physics-driven computational methods for solving waveform inversion suffer from the cycle skipping and local minima issues, and not to mention solving waveform inversion is computationally expensive. In recent years, data-driven methods become a promising way to solve the waveform inversion problem. However, most deep learning frameworks suffer from generalization and over-fitting issue. In this paper, we developed a real-time data-driven technique and we call it VelocityGAN, to accurately reconstruct subsurface velocities. Our VelocityGAN is built on a generative adversarial network (GAN) and trained end-to-end to learn a mapping function from the raw seismic waveform data to the velocity image. Different from other encoder-decoder based data-driven seismic waveform inversion approaches, our VelocityGAN learns regularization from data and further impose the regularization to the generator so that inversion accuracy is improved. We further develop a transfer learning strategy based on VelocityGAN to alleviate the generalization issue. A series of experiments are conducted on the synthetic seismic reflection data to evaluate the effectiveness, efficiency, and generalization of VelocityGAN. We not only compare it with existing physics-driven approaches and data-driven frameworks but also conduct several transfer learning experiments. The experiment results show that VelocityGAN achieves state-of-the-art performance among the baselines and can improve the generalization results to some extent.

연구 동기 및 목표

• 물리 기반의 음향 및 탄성파형 역설계(AEWI)에서 발생하는 사이클 스트립킹 문제와 높은 계산 비용 문제를 해결하기 위해.
• 기존 데이터 드리븐 딥 러닝 방법의 일반화 및 과적합 제한을 극복하기 위해.
• 물리적 정규화를 데이터에서 학습하는 실시간 엔드 투 엔드 데이터 드리븐 역설계 프레임워크를 개발하기 위해.
• 제안된 방법의 효과성, 효율성, 일반화 능력을 합성 지반파형 데이터셋에서 평가하기 위해.
• 전이 학습이 다양한 지질 구조 간의 모델 일반화 능력 향상에 미치는 영향을 조사하기 위해.

제안 방법

• 방법은 인코더-디코더 U-Net 아키텍처를 기반으로 한 생성자와 조건부 GAN 아키텍처를 사용하여 원시 지반파형을 지하 속도 이미지로 매핑한다.
• 판별자는 합성곱 신경망으로, 실제 속도 이미지와 생성된 이미지를 구별함으로써 적대적 훈련을 통해 현실적인 이미지 사전 지식을 학습할 수 있도록 한다.
• 적대적 손실, 인지적 손실, 재구성 손실을 조합한 수정된 손실 함수를 사용하여 이미지의 정밀도와 구조적 정확도를 향상시킨다.
• 생성자는 판별자의 피드백으로 정규화되어, 수작업으로 만든 사전 지식에 의존하지 않고 데이터로부터 물리적 제약 조건을 암묵적으로 학습한다.
• 기존 지질 구조에 대해 사전 훈련된 VelocityGAN을 새로운 지질 구조에 대해 미세조정함으로써 전이 학습 전략을 구현하여, 예측 불가능한 데이터에 대한 일반화 능력을 향상시킨다.
• 대규모 속도 모델 및 해당 합성 파형 데이터셋을 사용하여 합성 지반 반사파 데이터에서 엔드 투 엔드로 모델을 훈련시켰다.

실험 결과

연구 질문

• RQ1 GAN 기반 데이터 드리븐 방법이 전통적인 물리 기반 파형 역설계 방법보다 정확도와 계산 효율성 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 제안된 VelocityGAN은 훈련 중에 볼 수 없었던 지질 구조에 대해 얼마나 잘 일반화되는가?
• RQ3 전이 학습이 데이터 드리븐 지반파형 역설계 모델의 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ4 조건부 판별자를 사용한 적대적 훈련이 표준 오토인코더 기반 접근 방식에 비해 더 나은 정규화와 향상된 역설계 품질을 이끌어낼 수 있는가?
• RQ5 복잡한 구조, 예를 들어 다중 단층 및 곡선형 표면에서 모델은 어떻게 성능을 발휘하는가?

주요 결과

• VelocityGAN은 0-Fault CurvedData 및 2-Fault CurvedData 양쪽 모두에서 최신 기술 수준의 성능을 달성하였으며, AEWI-Pre 및 AEWI-MTV와 같은 물리 기반 방법보다 정량적·정성적 지표에서 모두 뛰어난 성능을 보였다.
• 2-Fault CurvedData에서 VelocityGAN-TF는 임계값 t=1.10에서 95.85%의 정확도를 기록하여 AEWI-Pre(68.36%) 및 AEWI-MTV(79.32%)를 크게 앞섰다.
• 모델은 일반화 능력을 보였으며, 1-_fault 데이터로 훈련된 VelocityGAN은 0- 및 2-_fault 구조를 성공적으로 재구성했지만, 밀접한 거리의 단층 구조에서는 다소 흐릿함을 보였다.
• 전이 학습을 통한 VelocityGAN-TF는 특히 단층 기하학을 유지하는 데서 재구성 품질을 향상시켰으며, 2-Fault CurvedData에서 t=1.10일 때 88.30%의 정확도를 기록하여 원본 VelocityGAN(55.33% at t=1.10)을 초월했다.
• 시각적 결과에서는 VelocityGAN 출력이 물리 기반 방법에 비해 더 깔끔하고 선명한 지질 구조 및 단층 표면을 보였으며, 물리 기반 방법은 깊은 영역과 고속도 영역에서 진동 현상을 보였다.
• 제거 실험을 통해 조건부 적대적 훈련과 학습된 정규화가 표준 오토인코더 기반 기준보다 이미지 품질을 크게 향상시키고 잡음 요소를 줄이는 데 기여했음을 확인했다.