[논문 리뷰] Deep learning for low frequency extrapolation of multicomponent data in elastic full waveform inversion

Hongyu Sun, Laurent Demanet|arXiv (Cornell University)|2020. 12. 31.

Seismic Imaging and Inversion Techniques참고 문헌 45인용 수 5

한 줄 요약

이 논문은 밴드제한된 다성분 탄성 지구물리적 시ismic 데이터로부터 저주파 성분을 외삽하여 탄성 전체파형 역산(FWI)의 시작 모델을 향상시키기 위한 딥러닝 접근법을 제안한다. 수평 및 수직 입자 속도 성분 각각에 대해 별도로 훈련된 큰 수신장역할을 가진 컨volutional 신경망(CNN)을 사용하여, Marmousi2 모델에서 탄성 FWI의 사이클스킵 문제를 크게 줄이며 P-파 및 S-파 속도의 성공적인 역산을 가능하게 하는 2–4 Hz 저주파 데이터를 합성한다.

ABSTRACT

Full waveform inversion (FWI) strongly depends on an accurate starting model to succeed. This is particularly true in the elastic regime: The cycle-skipping phenomenon is more severe in elastic FWI compared to acoustic FWI, due to the short S-wave wavelength. In this paper, we extend our work on extrapolated FWI (EFWI) by proposing to synthesize the low frequencies of multi-component elastic seismic records, and use those "artificial" low frequencies to seed the frequency sweep of elastic FWI. Our solution involves deep learning: we separately train the same convolutional neural network (CNN) on two training datasets, one with vertical components and one with horizontal components of particle velocities, to extrapolate the low frequencies of elastic data. The architecture of this CNN is designed with a large receptive field, by either large convolutional kernels or dilated convolution. Numerical examples on the Marmousi2 model show that the 2-4Hz low frequency data extrapolated from band-limited data above 4Hz provide good starting models for elastic FWI of P-wave and S-wave velocities. Additionally, we study the generalization ability of the proposed neural network over different physical models. For elastic test data, collecting the training dataset by elastic simulation shows better extrapolation accuracy than acoustic simulation, i.e., a smaller generalization gap.

연구 동기 및 목표

• 짧은 S-파 파장과 시작 모델에 대한 민감성으로 악화되는 탄성 전체파형 역산(FWI)에서 심각한 사이클스킵 문제를 해결하기 위해.
• 밴드제한된 다성분 시ismic 데이터로부터 합성 저주파 성분을 생성하는 계산적으로 효율적인 방법을 개발하여 탄성 FWI의 주파수 스위프팅을 위한 초기 조건을 제공하기 위해.
• 음향 데이터와 탄성 데이터로 훈련된 딥러닝 모델의 저주파 외삽에 대한 일반화 능력을 평가하기 위해.
• 외삽된 저주파 성분이 4 Hz에서 시작하는 탄성 FWI에서 P-파 및 S-파 속도의 정확한 역산을 얼마나 잘 가능하게 하는지 평가하기 위해.

제안 방법

• 밴드제한된 다성분 시ismic 데이터로부터 저주파 성분을 외삽하기 위해, 수직 입자 속도와 수평 입자 속도 성분 각각에 대해 별도의 훈련 데이터셋을 사용하는 딥 컨volution 신경망(CNN)을 훈련한다.
• 큰 컨volution 커널 또는 확장된 컨볼루션을 사용하여 큰 수신장역할을 구현함으로써, 저주파 외삽에 필수적인 장거리 공간적 의존성을 확보한다.
• 8차 유한차분 스킴을 사용한 응력-속도 형식을 통해 생성된 합성 탄성 파동장에 기반하여, 음향 및 탄성 훈련 데이터를 비교하기 위해 훈련한다.
• 0–5 Hz 범위의 저주파 데이터를 합성하여 탄성 FWI를 초기화하고, 진짜 저주파 데이터와의 역산 성능을 비교한다.
• 파동장 데이터의 冗잔시성과 파동 전파의 물리적 일관성을 활용하여 누락된 저주파 에너지를 외삽한다.

실험 결과

연구 질문

• RQ1 밴드제한된 다성분 탄성 지구물리적 시ismic 데이터로부터 딥러닝이 효과적으로 저주파 성분을 외삽하여 탄성 FWI의 시작 모델을 향상시킬 수 있는가?
• RQ2 음향 데이터로 훈련된 CNN과 탄성 데이터로 훈련된 CNN이 탄성 테스트 데이터로 일반화할 때 성능는 어떻게 비교되는가?
• RQ3 2–4 Hz 범위의 외삽된 저주파 성분이 4 Hz 데이터에서 시작하는 경우, P-파 및 S-파 속도의 성공적인 탄성 FWI를 얼마나 잘 가능하게 하는가?
• RQ4 훈련 데이터의 물리적 특성(음향 대비 탄성)이 딥러닝 모델의 일반화 갭에 어떤 영향을 미치는가?

주요 결과

• 큰 수신장역할을 가진 CNN은 밴드제한된 데이터로부터 0–5 Hz 저주파 성분을 성공적으로 외삽하였으며, Marmousi2 모델에서 진짜 저주파 데이터와 강한 일치를 보였다.
• 2–4 Hz 외삽된 데이터로 초기화된 탄성 FWI는 진짜 저주파 데이터를 사용한 경우와 유사한 역산 결과를 도출하여 사이클스킵 문제 완화의 효과를 입증하였다.
• 탄성 훈련 데이터로 훈련된 신경망은 음향 데이터로 훈련된 모델보다 탄성 테스트 데이터로의 일반화 능력이 뛰어나 일반화 갭이 훨씬 작음을 보였다.
• 2–4 Hz 범위의 외삽된 저주파 데이터는 원래 데이터가 4 Hz 이상으로 밴드제한되어 있더라도 P-파 및 S-파 속도 역산을 위한 정확한 저와산수 시작 모델을 생성하는 데에 충분하였다.
• 이 연구는 현실적인 탄성 훈련 데이터가 강력한 저주파 외삽을 위해 필수적임을 확인하였으며, 음향 훈련 데이터는 탄성 테스트 데이터에서 더 높은 예측 오차를 초래함을 시사한다.