[논문 리뷰] VelocityGAN: Data-Driven Full-Waveform Inversion Using Conditional Adversarial Networks

Zhongping Zhang, Yue Wu외 2명|arXiv (Cornell University)|2018. 09. 26.

Seismic Imaging and Inversion Techniques참고 문헌 27인용 수 3

한 줄 요약

VelocityGAN은 실시간으로 지반 속도 이미지로 지구물리적 파동형태 데이터를 매핑하기 위해 조건부 생성 적대 신경망을 사용하는 데이터 기반 전파형 역문제 방법이다. 데이터로부터 정규화를 학습하고 전이 학습을 적용하여 정확도와 일반화 능력을 향상시키며, 물리 기반 및 기존 데이터 기반 방법들을 능가한다.

ABSTRACT

Acoustic- and elastic-waveform inversion is an important and widely used method to reconstruct subsurface velocity image. Waveform inversion is a typical non-linear and ill-posed inverse problem. Existing physics-driven computational methods for solving waveform inversion suffer from the cycle skipping and local minima issues, and not to mention solving waveform inversion is computationally expensive. In recent years, data-driven methods become a promising way to solve the waveform inversion problem. However, most deep learning frameworks suffer from generalization and over-fitting issue. In this paper, we developed a real-time data-driven technique and we call it VelocityGAN, to accurately reconstruct subsurface velocities. Our VelocityGAN is built on a generative adversarial network (GAN) and trained end-to-end to learn a mapping function from the raw seismic waveform data to the velocity image. Different from other encoder-decoder based data-driven seismic waveform inversion approaches, our VelocityGAN learns regularization from data and further impose the regularization to the generator so that inversion accuracy is improved. We further develop a transfer learning strategy based on VelocityGAN to alleviate the generalization issue. A series of experiments are conducted on the synthetic seismic reflection data to evaluate the effectiveness, efficiency, and generalization of VelocityGAN. We not only compare it with existing physics-driven approaches and data-driven frameworks but also conduct several transfer learning experiments. The experiment results show that VelocityGAN achieves state-of-the-art performance among the baselines and can improve the generalization results to some extent.

연구 동기 및 목표

• 물리 기반 전파형 역문제에서의 사이클 스트레핑 및 국소 최소값 문제를 해결하기 위해.
• 기존 데이터 기반 지구물리적 역문제 프레임워크에서의 일반화 및 과적합 문제를 극복하기 위해.
• 지역 데이터로부터 정규화를 학습하는 실시간 종단 간 데이터 기반 역문제 기법을 개발하기 위해.
• 데이터 기반 정규화를 갖춘 조건부 GAN 아키텍처를 통해 정확도와 내성 강도를 향상시키기 위해.
• 합성 지구물리적 데이터를 기반으로 제안된 방법의 효과성, 효율성 및 일반화 능력을 평가하기 위해.

제안 방법

• VelocityGAN은 원시 지구물리적 파동형태에서 지하 속도 이미지로의 직접적인 매핑을 학습하기 위해 조건부 생성 적대 신경망(cGAN)을 사용한다.
• 생성자 네트워크는 적대적 훈련를 통해 학습된 데이터 기반 사전 지식에 의해 정규화되어 정확도가 향상된다.
• 판별자 네트워크는 실제 속도 이미지와 생성자에 의해 생성된 이미지를 구분함으로써 현실적인 속도 구조 학습을 강제한다.
• 파형 유지 보존을 위해 복합 적대적 손실과 재구성 손실을 함께 사용하여 종단 간으로 훈련한다.
• 새로운 데이터셋에 대해 모델을 미세 조정하기 위한 전이 학습 전략을 도입하여 다양한 지하 조건에서의 일반화 능력을 향상시킨다.
• 성능과 내성 강도를 검증하기 위해 합성 지구물리적 반사 데이터를 기반으로 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 데이터 기반 GAN 기반 접근법이 전통적인 물리 기반 파동형태 역문제보다 정확도와 효율성 면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 GAN이 데이터 기반 정규화를 얼마나 효과적으로 학습하고 적용하여 역문제 결과를 향상시킬 수 있는가?
• RQ3 전이 학습이 데이터 기반 지구물리적 역문제에서 일반화 문제를 어느 정도 완화하는가?
• RQ4 제안된 방법은 높은 정확도를 유지하면서도 실시간 역문제 성능을 달성할 수 있는가?
• RQ5 재구성 품질과 내성 강도 측면에서 VelocityGAN은 기존의 데이터 기반 및 물리 기반 기준선과 비교해 어떻게 성능을 발휘하는가?

주요 결과

• VelocityGAN은 합성 지구물리적 데이터에서 평가된 기준선들 중 최고 수준의 정확도를 달성한다.
• 효과적인 데이터 기반 정규화를 학습함으로써 사이클 스트레핑 및 국소 최소값 문제를 크게 감소시킨다.
• 전이 학습은 일반화 성능을 향상시켜 미리 보지 못한 지하 모델에서도 더 나은 결과를 도출한다.
• 이 방법은 실시간 역문제를 가능하게 하여 기존의 물리 기반 접근법 대비 높은 계산 효율성을 보여준다.
• 적대적 훈련 구성 요소는 재구성된 속도 이미지의 현실성과 구조적 정밀도를 향상시킨다.
• 정량적 결과는 기존 방법들과 비교해 더 높은 신호 대 잡음비와 구조 유사도를 보여준다.