[논문 리뷰] Enhancement of seismic imaging: An innovative deep learning approach

Yanyan Zhang, Lu Ping외 2명|arXiv (Cornell University)|2019. 09. 13.

Seismic Imaging and Inversion Techniques참고 문헌 8인용 수 5

한 줄 요약

이 논문은 웰 로그 반사 정보를 활용하여 지반 데이터의 주파수 대역폭을 넓혀 지반 이미징을 향상시키는 딥러닝 기반 방법을 제안한다. 다중 웰 지공간 데이터를 기반으로 훈련함으로써, 저주파 및 고주파 성분을 강화하여 해상도를 향상시키고 부가적 아티팩트를 억제하며, 결과는 웰 로그와 일치하고 정량적 불확실성 평가가 가능하다.

ABSTRACT

Enhancing the frequency bandwidth of the seismic data is always the pursuance at the geophysical community. High resolution of seismic data provides the key resource to extract detailed stratigraphic knowledge. Here, a novel approach, based on deep learning model, is introduced by extracting reflections from well log data to broaden spectrum bandwidth of seismic data through boosting low and high frequencies. The corresponding improvement is observed from the enhancement of resolution of seismic data as well as elimination of sidelobe artifacts from seismic wavelets. During the training stage of deep learning model, geo-spatial information by taking consideration of multiple wells simultaneously is fully guaranteed, which assures that laterally and vertically geological information are constrained by and accurate away from the well controls during the inversion procedure. Extensive experiments prove that the enhanced seismic data is consistent with well log information, and honors rock property relationships defined from the wells at given locations. Uncertainty analysis could also be quantitatively assessed to determine the possibilities of a range of seismic responses by leveraging the outputs from the proposed approach.

연구 동기 및 목표

• 지반 데이터의 제한된 주파수 대역폭으로 인해 지하 해상도와 지층 세부 정보 추출이 제한되는 문제를 해결하기 위해.
• 저주파 및 고주파 성분을 모두 연장함으로써 지반 데이터를 향상시키는 딥러닝 모델을 개발하기 위해.
• 측정된 지하 구조적 일관성을 확보하기 위해 훈련 중 다중 웰 지공간 정보를 통합하기 위해.
• 웰 로그에서 유도된 암석 성질 관계를 존중하는 지반 이미지를 생성하기 위해.
• 모델 출력을 통해 지반 반응의 정량적 불확실성 분석을 가능하게 하기 위해.

제안 방법

• 다수의 웰 로그에서 추출한 반사 정보를 학습하여 향상된 지반 데이터를 예측하는 딥러닝 모델을 훈련한다.
• 다양한 웰 간의 공간적 및 시간적 상관관계를 활용하여 횡방향 및 종방향 차원에서 지질학적 일관성을 유지한다.
• 학습 과정에서 부족한 저주파 및 고주파 성분을 강화함으로써 주파수 스펙트럼의 넓이를 확장한다.
• 지질학적 타당성을 확보하기 위해 웰 로그에서 유도된 암석 성질 기반 제약 조건을 훈련 과정에 적용한다.
• 딥 네URAL 네트워크의 엔드 투 엔드 최적화를 통해 지반 웨이블릿의 부가적 아티팩트를 감소시킨다.
• 다양한 입력 조건 하에서 모델 출력의 범위를 분석함으로써 불확실성 정량화를 수행한다.

실험 결과

연구 질문

• RQ1 딥러닝을 어떻게 효과적으로 지반 데이터의 주파수 대역폭을 연장하는 데 활용할 수 있는가?
• RQ2 다중 웰 공간 정보를 통합할 경우, 향상된 지반 이미지의 지질학적 일관성은 어느 정도 향상되는가?
• RQ3 제안된 방법은 신호 무결성을 유지하면서도 지반 웨이블릿의 부가적 아티팩트를 감소시킬 수 있는가?
• RQ4 향상된 지반 데이터는 웰 로그에서 유도된 암석 성질과 얼마나 잘 일치하는가?
• RQ5 모델의 출력 분포를 통해 지반 반응의 불확실성을 정량적으로 평가할 수 있는가?

주요 결과

• 기존 방법에 비해 향상된 지반 데이터는 더 높은 해상도를 보이며 얇은 침식층과 지층 특징의 이미징이 더 명확해졌다.
• 지반 웨이블릿의 부가적 아티팩트가 크게 감소하여 더 깔끔하고 해석이 쉬운 지반 이미지가 생성되었다.
• 웨일 제어 위치에서 향상된 데이터는 웰 로그 정보와 일치하여 방법의 정확성을 검증하였다.
• 모델은 웰 로그에서 정의된 암석 성질 관계를 유지하여 역산 과정에서 지질학적 일관성을 확보하였다.
• 정량적 불확실성 분석이 가능하며, 모델은 위험 평가를 위한 다양한 가능한 지반 반응을 생성하였다.
• 다양한 테스트 현장에서 우수한 성능을 보이며 일반화 가능성의 잠재력을 입증하였다.