[논문 리뷰] $\mathbf{\mathbb{E}^{FWI}}$: Multi-parameter Benchmark Datasets for Elastic Full Waveform Inversion of Geophysical Properties

Shihang Feng, Hanchen Wang외 7명|arXiv (Cornell University)|2023. 06. 21.

Seismic Imaging and Inversion Techniques인용 수 4

한 줄 요약

이 논문은 P-파 및 S-파 속도와 다성분 지구물리 데이터를 포함한 8종의 다양한 지하 구조 모델을 포함하는 개방형 벤치마크 데이터셋 $Ε^{FWI}$를 소개한다. 이는 탄성 전파역산(FWI)을 위한 것으로, 딥러닝 기반 다매개변수 역산을 가능하게 하며, 실제 세계의 복잡성에 대한 강건성을 향상시키지만, P-파 및 S-파 물리학의 결합으로 인한 수렴성 및 계산 비용 문제를 드러낸다.

ABSTRACT

Elastic geophysical properties (such as P- and S-wave velocities) are of great importance to various subsurface applications like CO$_2$ sequestration and energy exploration (e.g., hydrogen and geothermal). Elastic full waveform inversion (FWI) is widely applied for characterizing reservoir properties. In this paper, we introduce $\mathbf{\mathbb{E}^{FWI}}$, a comprehensive benchmark dataset that is specifically designed for elastic FWI. $\mathbf{\mathbb{E}^{FWI}}$ encompasses 8 distinct datasets that cover diverse subsurface geologic structures (flat, curve, faults, etc). The benchmark results produced by three different deep learning methods are provided. In contrast to our previously presented dataset (pressure recordings) for acoustic FWI (referred to as OpenFWI), the seismic dataset in $\mathbf{\mathbb{E}^{FWI}}$ has both vertical and horizontal components. Moreover, the velocity maps in $\mathbf{\mathbb{E}^{FWI}}$ incorporate both P- and S-wave velocities. While the multicomponent data and the added S-wave velocity make the data more realistic, more challenges are introduced regarding the convergence and computational cost of the inversion. We conduct comprehensive numerical experiments to explore the relationship between P-wave and S-wave velocities in seismic data. The relation between P- and S-wave velocities provides crucial insights into the subsurface properties such as lithology, porosity, fluid content, etc. We anticipate that $\mathbf{\mathbb{E}^{FWI}}$ will facilitate future research on multiparameter inversions and stimulate endeavors in several critical research topics of carbon-zero and new energy exploration. All datasets, codes and relevant information can be accessed through our website at https://efwi-lanl.github.io/

연구 동기 및 목표

• P-파 및 S-파 속도와 다성분 지구물리 데이터를 모두 포함한 표준화되고 현실적인 벤치마크 데이터셋의 부족을 해결하기 위해.
• 다양한 지하 지질 구조(예: 단층, 곡선층)를 포함함으로써 딥러닝 방법의 탄성 FWI 개발 및 평가를 지원하기 위해.
• P-파 및 S-파 속도 간의 결합이 역산 정확도 및 수렴성에 미치는 영향을 조사하기 위해.
• 지열 에너지 및 탄소 포집·저장과 같은 탄소 제로 에너지 응용 분야의 연구를 촉진하기 위해 고해상도 지하 구조 특성 분석을 가능하게 하기 위해.

제안 방법

• 평탄한 층, 곡선 인터페이스, 단층이 있는 다양한 지질 구조를 가진 8종의 합성 지구물리 데이터셋을 포함한다.
• 각 데이터셋은 P-파 및 S-파 속도를 모두 사용하여 전체 탄성 파동장 시뮬레이션을 수행하며, 수직 및 수평 성분에 모두 합성 지구물리 데이터를 기록한다.
• 탄성 파동 방정식을 사용한 정방향 모델링 결과를 포함하며, 미세한 격자 간격과 정확한 시간 도메인 해법기를 통해 수치 분산을 최소화하는 데 중점을 둔다.
• P-파 및 S-파 속도의 다매개변수 역산을 위한 기준 성능을 확립하기 위해 세 가지 딥러닝 모델을 데이터셋에서 평가한다.
• P-파 및 S-파 속도 쌍에서 유도된 푸아송 비와 엘라스티시티 모odulus 지ap을 제공하여 암석 유형 및 유체 함량 분석을 지원한다.
• 모든 데이터 및 코드는 로스 앨라모스 국립연구소 및 미국 에너지부의 승인을 얻은 후 공개 웹사이트를 통해 배포될 예정이다.

Figure 1: Gallery of $\mathbf{\mathbb{E}^{FWI}}$ : one example of reservoir structure ( $\mathrm{Pr}$ ) and velocity maps ( $V_{P}$ , $V_{S}$ ) from the $\mathbf{\mathbb{E}^{FVB},\mathbb{E}^{FFB},\mathbb{E}^{CVB},\mathbb{E}^{CFB}}$ datasets. $\mathrm{Pr}$ refers to the designed reservoir, which is t

실험 결과

연구 질문

• RQ1 지구물리 데이터에 P-파 및 S-파 속도를 모두 포함할 경우, 딥러닝 기반 탄성 FWI의 수렴성 및 정확도에 어떤 영향을 미치는가?
• RQ2 수직 및 수평 성분을 포함한 다성분 지구물리 데이터가 단일 성분 데이터에 비해 지하 탄성 매개변수 역산에 미치는 영향은 무엇인가?
• RQ3 단층 및 곡선 층 등의 다양한 지질 구조는 $Ε^{FWI}$에서 훈련된 다매개변수 FWI 모델의 성능에 어떤 영향을 미치는가?
• RQ4 이 데이터셋의 복잡성과 물리적 현실성에 기반해, 딥러닝 모델이 실제 현장 데이터에 얼마나 일반화되는가?
• RQ5 탄성 FWI에서 속도 상호보완성과 비선형성과 관련된 주요 과제는 무엇이며, 네트워크 설계를 통해 이를 어떻게 완화할 수 있는가?

주요 결과

• $Ε^{FWI}$ 벤치마크는 P-파 및 S-파 성분을 모두 포함한 복잡한 현실적인 탄성 파동장 데이터를 다룰 수 있는 딥러닝 모델의 강건성이 향상됨을 보여준다.
• P-파 및 S-파 속도 간의 결합은 역산 문제의 비선형성을 크게 증가시켜, 음향 FWI에 비해 수렴 속도가 느리고 계산 비용이 높아진다.
• 수평 성분 데이터의 포함은 특히 단층이 있거나 복잡한 지질 구조에서 지하 속도 모델 복원의 해상도와 정확도를 향상시킨다.
• 벤치마크 결과는 단순한 구조에서는 높은 정밀도의 역산 성능를 달성할 수 있으나, 고도로 이질적이거나 비등방성일 경우 성능 저하가 발생함을 보여주며, 향후 더 개선된 네트워크 아키텍처가 필요함을 시사한다.
• 이 데이터셋은 P-파 및 S-파 속도에서 푸아송 비와 엘라스티시티 모odulus를 유도할 수 있어 암석 유형, 다공도 및 유체 함량에 대한 중요한 통찰을 제공한다.
• 본 연구는 현재의 딥러닝 모델이 여전히 P-파 및 S-파 속도 간의 상호보완성 문제를 해결하지 못하고 있음을 밝혀내었으며, 향후 연구는 분리 전략과 물리 기반 정규화에 초점을 맞춰야 한다고 제안한다.

Figure 2: Comparison of elastic data in $\mathbf{\mathbb{E}^{FWI}}$ and acoustic data in OpenFWI . Acoustic data only contain P-waves propagation while elastic data contain both P- and S-waves.