[논문 리뷰] Seismic facies recognition based on prestack data using deep convolutional autoencoder

Feng Qian, Miao Yin외 3명|arXiv (Cornell University)|2017. 04. 08.

Seismic Imaging and Inversion Techniques참고 문헌 8인용 수 7

한 줄 요약

이 논문은 프리스택 시ismic 데이터를 사용하여 지질학적 편재성 인식을 위한 딥 컨volution 오토에인코더(Depth Convolutional Autoencoder, CAE)를 제안한다. 각 그룹을 이미지로 간주하여 비지도 학습을 통해 계층적 특징을 학습한다. 이 방법은 주로 PCA 및 포스트랙 스택 데이터 접근 방식보다 더 구분력 있는 특징을 추출하여, 동굴과 균열과 같은 미세한 지질학적 구조를 더 잘 유지하는 더 명확한 편재 지도를 제공한다.

ABSTRACT

Prestack seismic data carries much useful information that can help us find more complex atypical reservoirs. Therefore, we are increasingly inclined to use prestack seismic data for seis- mic facies recognition. However, due to the inclusion of ex- cessive redundancy, effective feature extraction from prestack seismic data becomes critical. In this paper, we consider seis- mic facies recognition based on prestack data as an image clus- tering problem in computer vision (CV) by thinking of each prestack seismic gather as a picture. We propose a convo- lutional autoencoder (CAE) network for deep feature learn- ing from prestack seismic data, which is more effective than principal component analysis (PCA) in redundancy removing and valid information extraction. Then, using conventional classification or clustering techniques (e.g. K-means or self- organizing maps) on the extracted features, we can achieve seismic facies recognition. We applied our method to the prestack data from physical model and LZB region. The re- sult shows that our approach is superior to the conventionals.

연구 동기 및 목표

• 고중복성의 프리스택 시ismic 데이터로부터 효과적인 특징 추출을 다루어 지질학적 편재성 인식을 향상시키기.
• 기존의 PCA 및 포스트랙 스택 데이터 접근 방식의 한계를 극복하기 위해 딥 러닝을 활용하여 계층적 비선형 특징을 학습하기.
• 프리스택 시ismic 그룹을 이미지로 간주하여 컨volution 오토에인코더를 사용해 엔드 투 엔드 특징 학습이 가능한 프레임워크를 개발하기.
• 기존 접근 방식에 비해 미세한 지질학적 특징(예: 소형 동굴, 균열 등)을 더 잘 포착하는 데서 뛰어난 성능을 보여주기.
• 비지도 특징 학습과 클러스터링을 조합한 딥 러닝 파이프라인을 구축하여 자동 지질학적 편재 지도 생성하기.

제안 방법

• 각 프리스택 시ismic 그룹을 2차원 이미지로 간주하고, 다중 레이어를 가진 딥 컨volution 오토에인코더(CAE)를 사용해 계층적 특징을 학습한다.
• 백프로파게이션과 평균 제곱오차(MSE) 손실을 사용해 CAE를 단계별로 학습한다: $ L = \frac{1}{2n}\sum_{i=1}^{n}(\mathbf{X}_i - \mathbf{Z}_i)^2 $, 재구성 오차를 최소화한다.
• 각 컨볼루션 레이어 이후에 맥스 풀링을 적용해 특징 맵의 크기를 감소시키고 공간 차원을 축소한다.
• 학습 중에 낮은 확률로 뉴런을 무작위로 드롭아웃하여 희박 오토에인코더 정규화를 적용해 일반화 성능을 향상시킨다.
• 학습된 CAE의 중간 레이어에서 학습된 특징을 추출하고, 이를 비지도 클러스터링의 입력으로 사용한다.
• 추출된 특징에 대해 K-means 클러스터링을 적용하여 최종 지질학적 편재 지도를 생성한다.

실험 결과

연구 질문

• RQ1 기존의 PCA와 같은 전통적 방법에 비해, 딥 컨볼루션 오토에인코더는 프리스택 시ismic 데이터로부터 의미 있는 저차원 표현을 효과적으로 학습할 수 있는가?
• RQ2 딥 러닝을 활용한 특징 학습과 함께 프리스택 데이터를 사용할 경우, 포스트랙 스택 데이터에 비해 소형 동굴, 균열과 같은 미세한 지질학적 특징을 더 잘 탐지할 수 있는가?
• RQ3 프로포즈된 CAE 기반 방법은 PCA 및 포스트랙 스택 데이터에 비해 편재 지도의 명확성과 지질학적 세부 정보 보존 측면에서 어떤 성능을 보이는가?
• RQ4 라벨이 없는 데이터에서 비지도 사전학습을 통한 CAE 학습이 지질학적 편재성 인식을 위한 특징 추출에 얼마나 기여하는가?
• RQ5 네트워크의 깊이와 아키텍처는 학습된 특징의 품질과 최종 클러스터링 결과에 어떤 영향을 미치는가?

주요 결과

• CAE 기반 방법은 프리스택 시ismic 데이터로부터 계층적 비선형 특징을 성공적으로 학습했으며, 중복 감소와 유효한 정보 추출 측면에서 PCA보다 뛰어났다.
• 물리 모델 테스트에서 CAE 방법은 빨간 원으로 표시된 가장 작은 동굴과 강의 구조를 명확히 식별했지만, PCA 및 포스트랙 스택 방법은 이를 해결하지 못했다.
• LZB 지역에서 CAE 방법은 PCA 및 포스트랙 스택 데이터에 비해 더 세밀하고 정확한 편재 지도를 생성했으며, 지질학적 구조의 경계가 더 명확했다.
• CAE에서 재구성된 특징는 기존 방법에 비해 공간 패턴과 지질학적 세부 정보를 더 효과적으로 보존했으며, 그림 3 및 그림 4에서 시각적으로 확인되었다.
• 이 방법은 시뮬레이션(물리 모델) 및 실세계(LZB 지역) 프리스택 시ismic 데이터 모두에서 뛰어난 강건성과 성능을 보였다.
• CAE에서 추출한 특징에 비지도 클러스터링을 적용한 결과, 일관되고 지질학적으로 타당한 편재 지도를 도출했으며, 학습된 표현의 효과성을 검증했다.