[논문 리뷰] Joint inversion of Time-Lapse Surface Gravity and Seismic Data for Monitoring of 3D CO$_2$ Plumes via Deep Learning

Adrian Celaya, Mauricio Araya‐Polo|arXiv (Cornell University)|2023. 09. 24.

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 커버링킨 시설에서의 물리 시뮬레이션 데이터를 기반으로, 시간 경과에 따라 변화하는 표면 중력 및 지반 데이터를 동시에 처리하여 고해상도의 지하 CO₂ 누출 분포를 재구성하는 새로운 3D 딥러닝 기반 연립 역문제 프레임워크를 제안한다. 중력 또는 지반 데이터만을 사용하는 모델보다 밀도 및 속도 재구성, 세그멘테이션 정확도, R-제곱 지표에서 뛰어난 성능을 보이며, 탄소 저장 모니터링을 위한 다중 물리적 데이터 융합의 효과성을 입증한다.

ABSTRACT

We introduce a fully 3D, deep learning-based approach for the joint inversion of time-lapse surface gravity and seismic data for reconstructing subsurface density and velocity models. The target application of this proposed inversion approach is the prediction of subsurface CO2 plumes as a complementary tool for monitoring CO2 sequestration deployments. Our joint inversion technique outperforms deep learning-based gravity-only and seismic-only inversion models, achieving improved density and velocity reconstruction, accurate segmentation, and higher R-squared coefficients. These results indicate that deep learning-based joint inversion is an effective tool for CO$_2$ storage monitoring. Future work will focus on validating our approach with larger datasets, simulations with other geological storage sites, and ultimately field data.

연구 동기 및 목표

• 시간 경과에 따라 변화하는 표면 중력 및 지반 데이터를 활용하여 지하 CO₂ 누출을 모니터링하기 위한 확장 가능하고 3D 딥러닝 기반의 역문제 방법을 개발한다.
• 단일 모달리티 역문제의 한계를 극복하기 위해 상호보완적인 지구물리학적 데이터를 융합하여 지하 모델의 해상도와 정확도를 향상시킨다.
• 특히 지질학적 탄소 격리 응용 분야를 위한 실질적인 물리 시뮬레이션 기반의 CO₂ 저장 시나리오에서 제안된 연립 역문제 프레임워크를 검증한다.
• PocketNet 및 삼선형 보간과 같은 아키텍처 혁신을 통해 계산 비용과 모델 복잡도를 줄이면서도 높은 성능을 유지한다.
• 향후 현장 검증과 스노히비트 및 커버링킨과 같은 다른 저장소로의 일반화를 위한 기반을 마련한다.

제안 방법

• 3D U-Net 기반의 딥러닝 아키텍처를 커버링킨 시설에서의 CO₂ 주입에 대한 물리 시뮬레이션에서 유도된 합성 시간 경과 중력 및 지반 데이터에 대해 엔드 투 엔드로 훈련한다.
• 모델은 파ameter 수를 약 3300만에서 약 349,000으로 줄이는 데에 PocketNet 아키텍처를 활용하여 훈련 시간과 메모리 사용량을 크게 감소시킨다.
• 전치 컨볼루션을 삼선형 보간으로 대체하여 추론 효율성과 안정성을 향상시킨다.
• 공동 손실 함수는 데이터 불일치 항과 정규화 항을 조합하며, 향후 연구에서는 공간 일관성을 강제하기 위해 Dice 점수 기반의 결합 항을 탐색할 예정이다.
• 모델은 유체층 시뮬레이션에서 생성된 참값 밀도 및 속도 모델을 사용하여 지도 학습 방식으로 훈련된다.
• 훈련는 배치 크기가 8인 4개의 A100 GPU에서 수행되며, 약 400 에포크 내에 수렴한다.

Figure 1. Illustration of a change in surface gravity for a given density perturbation in the subsurface (Celaya et al . , 2023b ) .

실험 결과

연구 질문

• RQ1 딥러닝 기반의 표면 중력 및 지반 데이터 연립 역문제가 3D CO₂ 누출 분포 재구성에서 단일 모달리티 역문제를 능가할 수 있는가?
• RQ2 중력 및 지반 데이터 융합이 개별 데이터 유형 대비 지하 밀도 및 속도 모델 정확도를 얼마나 향상시키는가?
• RQ3 PocketNet 및 삼선형 보간과 같은 아키텍처 최적화가 성능 손실 없이 훈련 비용을 얼마나 줄이는가?
• RQ4 R-제곱, 세그멘테이션 정확도, 모델 불일치 등의 주요 지표에서 연립 역문제 결과는 어떻게 비교되는가?
• RQ5 제안된 방법은 커버링킨 시뮬레이션 외의 다른 지질학적 저장소로 일반화될 수 있는가?

주요 결과

• 연립 역문제 모델은 중력 단독 및 지반 단독 모델 대비 밀도 및 속도 재구성에서 뛰어난 성능을 보이며, 더 높은 R-제곱 계수와 낮은 불일치를 기록한다.
• 시각적 비교 결과, 단일 모달리티 모델 대비 연립 모델이 더 정확하고 공간적으로 일관된 누출 세그멘테이션 결과를 도출한다.
• 다중 물리적 관계를 학습하는 데 복잡도가 높아져, 연립 모델은 약 400 에포크에서 수렴하는 반면 단일 모달리티 모델은 약 200 에포크에서 수렴한다.
• 1개의 A100 GPU에서 1에포크당 훈련 시간은 약 45초로, 중력 단독(~20초) 및 지반 단독(~30초) 모델보다 높지만 여전히 계산적으로 실현 가능하다.
• 추론 시간은 단일 A100 GPU에서 예측당 1초 이내로, 실시간 응용 가능성을 보여준다.
• PocketNet의 사용으로 모델 파라미터 수가 약 98.7% 감소하여 메모리 및 계산 요구량을 크게 낮추면서도 높은 성능 유지를 유지한다.

Figure 2. Example of seismic difference cube.