[논문 리뷰] Seismic data denoising and deblending using deep learning

Alan Richardson, Caelen Feller|arXiv (Cornell University)|2019. 07. 02.

Seismic Imaging and Inversion Techniques참고 문헌 23인용 수 9

한 줄 요약

이 논문은 사전 훈련된 ResNet34 인코더를 갖춘 U-Net을 사용하여 인접한 동일 오프셋 군집을 입력으로 활용함으로써 지반 데이터의 노이즈 제거 및 블렌딩 제거를 위한 딥러닝 기반 방법을 제안한다. 수동 파rameter 조정 없이 다양한 글로벌 데이터셋에서 신호 대 노이즈비(SNR)를 -3.6 dB에서 16.5 dB로 크게 향상시켜 기존 방법에 비해 강력한 일반화 능력과 자동화 장점을 입증한다.

ABSTRACT

An important step of seismic data processing is removing noise, including interference due to simultaneous and blended sources, from the recorded data. Traditional methods are time-consuming to apply as they often require manual choosing of parameters to obtain good results. We use deep learning, with a U-net model incorporating a ResNet architecture pretrained on ImageNet and further trained on synthetic seismic data, to perform this task. The method is applied to common offset gathers, with adjacent offset gathers of the gather being denoised provided as additional input channels. Here we show that this approach leads to a method that removes noise from several datasets recorded in different parts of the world with moderate success. We find that providing three adjacent offset gathers on either side of the gather being denoised is most effective. As this method does not require parameters to be chosen, it is more automated than traditional methods.

연구 동기 및 목표

• 수동 파rameter 조정이 필요 없는 자동화된, 파rameter-free인 지반 데이터 노이즈 제거 및 블렌딩 제거 방법을 개발한다.
• 인접한 동일 오프셋 군집 간의 공간적 재현성을 활용하여 노이즈 제거 성능을 향상시킨다.
• 다양한 합성 및 실재 데이터를 활용한 훈련을 통해 다양한 지반 데이터셋 간의 일반화 능력을 향상시킨다.
• ImageNet 사전 훈련된 ResNet34를 활용한 전이 학습을 통해 훈련 속도를 가속화하고 특징 학습 성능을 향상시킨다.
• 다양한 글로벌 지역에서의 실해양 데이터셋에 대해 본 방법의 효과성을 평가한다.

제안 방법

• ImageNet에서 사전 훈련된 ResNet34 백본을 갖춘 U-Net 아키텍처를 사용하며, 합성 지반 데이터에서 미세조정(fine-tuned)한다.
• 인접한 동일 오프셋 군집(목표 군집 기준 각 측면 최대 3개까지)을 입력 채널로 스택하여 2차원 공간적 재현성을 활용한다.
• 모델은 끝에서 끝까지 훈련되어 노이즈 성분을 예측하며, 신호는 입력에서 예측된 노이즈를 뺀 것으로 추정한다.
• 훈련 단계에서 예측된 노이즈와 진짜 노이즈 간의 평균 제곱오차를 최소화하여 손실를 최소화한다.
• 모델은 샷 시작 시간이나 속도 모델이 필요 없이 직접 입력 데이터에 적용된다.
• 다양한 획득 기하학적 구조와 노이즈 유형을 포함하는 광범위한 합성 데이터셋에서 훈련함으로써 일반화 능력을 향상시킨다.

실험 결과

연구 질문

• RQ1 인접한 동일 오프셋 군집을 활용한 딥러닝 모델이 지반 노이즈 제거 및 블렌딩 제거 성능을 크게 향상시킬 수 있는가?
• RQ2 ImageNet 사전 훈련된 ResNet34에서의 전이 학습이 지반 노이즈 제거 작업의 수렴성과 정확도를 향상시키는가?
• RQ3 인접 군집의 수가 모델의 노이즈 제거 성능 및 훈련 안정성에 어떤 영향을 미치는가?
• RQ4 모델이 다양한 지리적 지역과 획득 조건을 가진 실재 지반 데이터셋에 얼마나 잘 일반화되는가?
• RQ5 모델이 수동 파arameter 조정 없이도 고 SNR 향상을 달성할 수 있으며, 기존 방법에 비해 처리 속도와 자동화 측면에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• 입력 데이터의 신호 대 노이즈비(SNR)가 -3.6 dB에서 복원된 출력 데이터에서 16.5 dB로 향상되어 강력한 노이즈 억제 효과를 입증했다.
• 목표 군집 기준 각 측면에 3개의 인접한 동일 오프셋 군집을 제공할 경우 최고의 성능를 기록했으며, 더 많은 군집을 추가할 경우 훈련 손실이 증가하는 경향을 보였다.
• 베네수엘라, 노르웨이, 뉴질랜드의 해양 데이터를 효과적으로 노이즈 제거하여 다양한 실재 데이터셋에 대한 뛰어난 일반화 능력을 입증했다.
• 예측된 노이즈에서 일부 신호 손실이 관찰되었으며, 이는 실재 데이터에 존재하는 진폭 변동성이 없는 합성 데이터에서 훈련된 모델 때문일 가능성이 높다.
• 모델은 수동 파arameter 선택이 필요 없고, 품질 제어 및 빠른 워크플로우를 위한 더 빠른 처리를 가능하게 하여 전통적 기법에 비해 자동화 측면에서 뛰어난 성능를 보였다.
• CMP 스택 이미지에서 블렌딩 노이즈 아티팩트를 성공적으로 제거하여 기저 신호를 유지하면서 간섭을 감소시켰다.