[논문 리뷰] OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic Full Waveform Inversion

Chengyuan Deng, Shihang Feng외 7명|arXiv (Cornell University)|2021. 11. 04.

Seismic Imaging and Inversion Techniques인용 수 13

한 줄 요약

OpenFWI는 2.1 TB에 달하는 총 12개의 지반 전체파동형역산(FWI) 데이터셋을 포함한 대규모 공개 기준 테스트 세트를 제공한다. 이 데이터셋들은 2D 및 3D 영역에서 다양한 지질학적 구조(경계면, 단층, 이산화탄소 저류층, 자연 이미지 기반 구조 등)를 포함하며, 데이터 기반 FWI 방법, 특히 InversionNet, VelocityGAN, UPFWI와 같은 딥러닝 모델의 엄밀하고 재현 가능한 평가를 가능하게 한다. 기준 테스트 결과는 손실 함수와 지질학적 복잡성에 따른 성능의 상충 관계와 한계를 드러낸다.

ABSTRACT

Full waveform inversion (FWI) is widely used in geophysics to reconstruct high-resolution velocity maps from seismic data. The recent success of data-driven FWI methods results in a rapidly increasing demand for open datasets to serve the geophysics community. We present OpenFWI, a collection of large-scale multi-structural benchmark datasets, to facilitate diversified, rigorous, and reproducible research on FWI. In particular, OpenFWI consists of 12 datasets (2.1TB in total) synthesized from multiple sources. It encompasses diverse domains in geophysics (interface, fault, CO2 reservoir, etc.), covers different geological subsurface structures (flat, curve, etc.), and contains various amounts of data samples (2K - 67K). It also includes a dataset for 3D FWI. Moreover, we use OpenFWI to perform benchmarking over four deep learning methods, covering both supervised and unsupervised learning regimes. Along with the benchmarks, we implement additional experiments, including physics-driven methods, complexity analysis, generalization study, uncertainty quantification, and so on, to sharpen our understanding of datasets and methods. The studies either provide valuable insights into the datasets and the performance, or uncover their current limitations. We hope OpenFWI supports prospective research on FWI and inspires future open-source efforts on AI for science. All datasets and related information can be accessed through our website at https://openfwi-lanl.github.io/

연구 동기 및 목표

• 데이터 기반 FWI 연구에서 공정한 비교와 재현 가능성을 저해하는 공개 가능하고 대규모이며 다양한 지반 FWI 데이터셋의 부족을 보완한다.
• 감독 및 비감독 딥러닝 방법론의 전체파동형역산에서의 엄밀한 평가를 지원하기 위해 통합된 오픈소스 기준 테스트 세트를 제공한다.
• 3D 및 복잡한 지질학적 특징(예: 단층, 이산화탄소 저류층 포함)을 포함한 다중 척도, 다중 구조, 다중 영역 FWI 문제에 대한 연구를 가능하게 한다.
• 모델 성능, 일반화 능력, 불확실성에 대한 종합적 기준 테스트 및 분석을 통해 확장 가능하고 일반화 능력이 뛰어나며 강건한 FWI 모델 개발을 지원한다.
• 지구물리학적 영상 분야에서 과학을 위한 인공지능 연구의 향후 오픈소스 기여를 촉진하기 위해 재현 가능하고 확장 가능한 연구 기반을 마련한다.

제안 방법

• 음향파 동역학 방정식을 활용한 물리 기반 정방 모델링을 통해 다양한 지질학적 구조(평탄한, 곡선형, 단층이 있는, 이산화탄소 저류층, 자연 이미지 기반)를 수학적 모델과 실제 지질학적 자료에서 유도한 12개의 대규모 지반 FWI 데이터셋을 합성한다.
• 제어된 소스를 사용하여 지반 데이터와 해당 진짜 속도 지도를 생성하며, 데이터 크기는 2K에서 67K 샘플까지 다양하고 총 크기는 2.1 TB이며, 이 중 1.4 TB는 3D 데이터셋이다.
• 감독 및 비감독 학습 환경에서 4가지 딥러닝 방법(InversionNet, VelocityGAN, UPFWI, InversionNet3D)을 사용하여 2D 및 3D 데이터셋 전반에 걸쳐 표준화된 기준 테스트 파이프라인을 구현한다.
• 예측된 지반 데이터의 RMSE, 속도 지도의 정확도, 데이터셋 간 일반화 능력 등 다양한 평가 지표를 적용하며, 모델 학습에 ℓ₁ 및 ℓ₂ 손실 함수를 사용한다.
• 복잡도 분석(샤논 엔트로피 기반), 불확실성 정량화, 일반화 연구를 추가로 수행하여 모델의 강건성과 데이터셋의 대표성 평가를 수행한다.
• 수동 지진 응용 분야를 고려해 지진파 도착 시간 레이블과 노이즈를 지반 트레이스에 추가하여, InversionNet과 같은 모델의 단층 탐지 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 다양한 지질학적 구조와 데이터 스케일에서 2D 및 3D 환경에서 데이터 기반 FWI 모델(InversionNet, VelocityGAN, UPFWI 등)의 성능은 어떻게 다를까?
• RQ2 ℓ₁와 ℓ₂ 손실 함수의 선택이 재구성된 속도 지도의 품질과 지반 데이터 예측 정확도에 어떤 영향을 미치는가?
• RQ3 특정 구조 유형에서 학습한 모델이 다른 구조 유형의 데이터셋에 대해 얼마나 잘 일반화되는가?
• RQ4 '스타일 패밀리' 데이터셋(자연 이미지에서 유도된 데이터)은 현장 데이터 역산에 효과적인 일반화 기준 테스트로 활용될 수 있는가?
• RQ5 OpenFWI는 데이터 증강 및 모델 최적화를 통해 수동 지진 영상 과제, 예를 들어 P파 도착 시간 추정에 얼마나 기여할 수 있는가?

주요 결과

• ℓ₂ 손실 함수로 학습한 최고 성능 모델은 Style-A 데이터셋에서 가장 낮은 지반 데이터 RMSE를 기록하여 뛰어난 일반화 능력과 재구성 정확도를 보였다.
• ℓ₁ 손실 함수 기반 모델 중에서 FlatFault-B 데이터셋에서 가장 낮은 지반 데이터 RMSE를 기록하여, 이 손실 구조에서 단층이 있는 구조에 대해 더 뛰어난 강건성을 보였다.
• 특히 Style-A 및 Style-B를 포함한 '스타일 패밀리' 데이터셋에서 학습한 모델들은 다양한 지질학적 특징에 대해 강력한 일반화 능력을 보였으며, 이는 현장 데이터 역산에 이상적인 기준 테스트로 활용될 수 있었다.
• 1.4 TB의 3D Kimberlina-V1 데이터셋은 InversionNet3D의 스케일러블한 학습 및 기준 테스트를 가능하게 하여, 3D FWI 발전을 위한 대규모 3D 데이터의 중요성을 입증했다.
• Style-B 데이터셋에 P파 도착 시간 레이블과 노이즈를 추가함으로써 InversionNet은 정확한 첫 번째 도착 시간을 예측할 수 있었으며, 이는 OpenFWI가 수동 지진 응용 분야에 기여할 잠재력을 보여주었다.
• 합성 데이터에서 뛰어난 성능를 보였음에도 불구하고, 기준 테스트 결과는 아직 경험하지 못한 지질학적 구조로의 일반화 능력에 한계가 있음을 드러내었으며, 실지 현장 데이터를 통한 추가 검증의 필요성을 시사했다.