[논문 리뷰] SFA-GTM: Seismic Facies Analysis Based on Generative Topographic Map and RBF

Jatin Bedi, Durga Toshniwal|arXiv (Cornell University)|2018. 06. 01.

Reservoir Engineering and Simulation Methods참고 문헌 11인용 수 6

한 줄 요약

이 논문은 생성적 위상 맵(GTM)과 반경 기반 함수(RBF) 보간을 조합한 비선형 지반 편광 분석 방법인 SFA-GTM을 제안한다. 지진 데이터에서 에너지, 균일성, 대비 및 이질성의 4개의 회색 수준 공존 행렬(GLCM) 무늬 특성들을 추출하고, RBF를 사용하여 낮은 오차(RMSE < 0.24)로 누락된 값을 보간하며, 비선형 비지도 군집화를 위해 GTM를 적용한다. 이 방법은 선형 방법보다 더 정확하고 명확한 편광 분류를 달성하며, 특히 웰 로그 자료 없이도 자연스러운 군집을 식별하는 데서 뛰어난 성능을 보인다.

ABSTRACT

Seismic facies identification plays a significant role in reservoir characterization. It helps in identifying the various lithological and stratigraphical changes in reservoir properties. With the increase in the size of seismic data or number of attributes to be analyzed, the manual process for facies identification becomes complicated and time-consuming. Even though seismic attributes add multiple dimensions to the data, their role in reservoir characterization is very crucial. There exist different linear transformation methods that use seismic attributes for identification, characterization, and visualization of seismic facies. These linear transformation methods have been widely used for facies characterization. However, there are some limitations associated with these methods such as deciding the width parameters, number of clusters, convergence rate etc. Therefore, the present research work uses non-linear transformation approach that overcomes some of the major limitations of linear approaches. The proposed Seismic facies analysis approach based on Generative Topographic Map \&amp; Radial Basis Function(SFA-GTM) works by calculating the set of four Gray Level Co-occurrence Matrix(GLCM) texture based attributes viz. energy, homogeneity, contrast, and dissimilarity. The Generative Topographic Map(GTM) is used for unsupervised classification of seismic facies based on the set of calculated texture attributes. Further, the present work uses Radial Basis Function(RBF) for interpolating the missing values in the data.

연구 동기 및 목표

• K-평균 및 SOM과 같은 선형 방법의 한계를 극복하기 위해, 초기 매개변수 민감도, 수렴 문제 및 최적 군집 수 결정의 어려움을 해결하고자 한다.
• 웰 로그 자료가 필요 없이 지진 데이터 내 자연스러운 군집을 식별할 수 있는 비지도 비선형 접근법을 개발하고자 한다.
• 반경 기반 함수(RBF) 네트워크를 활용해 누락된 특성 값에 대해 정확하게 보간함으로써 데이터 품질을 향상시키고자 한다.
• 생성적 위상 맵(GTM)을 이용한 비선형 차원 축소를 통해 지진 편광의 시각화 및 분류 정확도를 향상시키고자 한다.

제안 방법

• 3D 지진 데이터에서 지진 무늬 특성으로서 에너지, 균일성, 대비 및 이질성의 4개 특성을 Gray Level Co-occurrence Matrix(GLCM)를 활용해 추출한다.
• RBF 네트워크를 적용하여 무늬 특성 집합 내 누락된 값을 보간하며, 각 특성에 대해 학습 및 테스트 오차를 보고한다.
• 생성적 위상 맵(GTM)을 사용해 4차원 무늬 특성 공간을 2차원 잠재 공간으로 비선형 차원 축소를 수행하여 시각화 및 군집화를 수행한다.
• 안정적인 수렴을 보장하기 위해 주성분 분석(PCA)을 활용해 GTM 매개변수(가중치 및 편향)를 초기화한다.
• 기대-최대화(EM) 알고리즘을 반복 적용하여 GTM 매개변수를 최적화하고, 수렴 기준(고정된 오차 또는 최대 반복 수)을 충족할 때까지 진행한다.
• 잠재 공간을 다시 데이터 공간으로 투영하여 결과 분류를 시각화하고, 기준값과의 비교를 통해 해석한다.

실험 결과

연구 질문

• RQ1 GTM와 같은 비선형 비지도 방법이 전통적인 선형 방법(K-평균, SOM 등)보다 무늬 특성 기반 지진 편광 분류에서 우수한 성능을 보일 수 있는가?
• RQ2 RBF 네트워크는 지진 무늬 특성의 누락된 값을 얼마나 효과적으로 보간할 수 있으며, 보간 정확도는 어떠한가?
• RQ3 사전 레이블링이나 웰 로그 제약 없이 GTM가 지구물 데이터의 자연스러운 군집 구조를 얼마나 잘 유지하는가?
• RQ4 복잡하거나 노이즈가 많은 영역에서 SFA-GTM 프레임워크가 선형 변환 방법 대비 분류의 명확성과 정확도 측면에서 얼마나 뛰어난가?
• RQ5 GLCM에서 유도된 무늬 기반 특성의 사용이 지구물 편광 분류의 강건성과 해석 가능성에 어떤 영향을 미치는가?

주요 결과

• RBF 보간 모델은 낮은 평균 제곱근 오차(RMSE)를 기록하여 높은 정확도를 확보했다: 에너지의 경우 학습 시 0.178, 테스트 시 0.213; 균일성의 경우 0.182와 0.201; 대비의 경우 0.203과 0.238; 이질성의 경우 0.194와 0.197로, 누락된 데이터 보간의 정확도가 높음을 시사한다.
• GTM 기반 분류 결과로 네 개의 명확한 지구물 편광이 식별되었으며, 선형 변환 방법 대비 편광 경계의 더 선명하고 정확한 분리가 이루어졌다.
• 그림 4(a)의 선형 결과와 그림 4(b)의 비선형 GTM 결과를 비교한 시각적 분석에서, GTM 방법이 더 명확하고 지질학적으로 타당한 편광 군집을 생성함을 확인했다.
• GTM 방법은 사전에 군집 수를 설정하거나 웰 로그 자료가 없이도 자연스러운 군집을 효과적으로 식별하는 데 뛰어난 성능을 보였다.
• 기준값과의 비교를 통해 분류 결과가 검증되었으며, SFA-GTM 접근법이 지구물 편광 식별에서 높은 정확도를 달성함을 확인했다.
• 실행 시간 복잡도가 높은 편이지만, K-평균 및 SOM과 같은 선형 군집 기법에서 흔히 발생하는 수렴 및 안정성 문제를 효과적으로 해결했다.