[논문 리뷰] A deep convolutional encoder-decoder neural network in assisting seismic horizon tracking

Hao Wu, Bo Zhang|arXiv (Cornell University)|2018. 04. 18.

Seismic Imaging and Inversion Techniques참고 문헌 2인용 수 24

한 줄 요약

이 논문은 3D 지질 시ismic 수평면 추적를 위한 딥 컨volution형 인코더-디코더 신경망을 제안하며, 동시에 여러 수평면을 감지할 수 있도록 엔드 투 엔드 세그멘테이션을 활용한다. 이 방법은 지질 시ismic 볼륨으로부터 공간 계층을 학습함으로써 높은 정확도와 강건성을 달성하며, 수작업으로 선택한 수평면과 강한 일치를 보여 결과적으로 뛰어난 성능을 입증한다.

ABSTRACT

Seismic horizons are geologically significant surfaces that can be used for building geology structure and stratigraphy models. However, horizon tracking in 3D seismic data is a time-consuming and challenging problem. Relief human from the tedious seismic interpretation is one of the hot research topics. We proposed a novel automatically seismic horizon tracking method by using a deep convolutional neural network. We employ a state-of-art end-to-end semantic segmentation method to track the seismic horizons automatically. Experiment result shows that our proposed neural network can automatically track multiple horizons simultaneously. We validate the effectiveness and robustness of our proposed method by comparing automatically tracked horizons with manually picked horizons.

연구 동기 및 목표

• 3D 볼륨에서 수작업으로 시ismic 수평면을 해석하는 데 소요되는 시간과 실수를 줄이기 위해.
• 시ismic 수평면의 세그멘테이션을 수행할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 복잡한 지질 환경에서 동시에 여러 수평면을 추적할 수 있도록 하기 위해.
• 수작업으로 선택한 기준 수평면과 비교하여 방법의 정확도와 강건성을 검증하기 위해.
• hydrocarbon 탐사에서 시ismic 해석을 위한 확장 가능하고 자동화된 솔루션을 제공하기 위해.

제안 방법

• 스킵 연결을 사용하여 공간 해상도를 유지하는 U-Net 스타일의 인코더-디코더 아키텍처를 사용한다.
• 엔드 투 엔드 세그멘테이션을 위한 완전 컨volution 신경망(Fully Convolutional Network, FCN)을 사용한다.
• 지표 수평면 레이블이 포함된 3D 시ismic 볼륨을 사용하여 계층적 특징 표현을 학습한다.
• 인코더의 특징 맵을 업샘플링하고, 디코더의 스킵 연결에서 온 특징을 연결하여 정밀한 국소화를 달성한다.
• 경계의 세그멘테이션 정확도를 향상시키기 위해 교차 엔트로피를 최적화하는 손실 함수를 사용한다.
• 실제 3D 시ismic 데이터셋에서 모델을 훈련 및 평가하여 여러 수평면에서의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥 컨볼루션 인코더-디코더 네트워크는 3D 볼륨에서 여러 시ismic 수평면을 정확하게 감지할 수 있는가?
• RQ2 공간 정확도 측면에서 모델의 성능은 수작업 수평면 선택과 비교해 어떻게 되는가?
• RQ3 이 네트워크는 다양한 지질 구조와 노이즈 수준에 대해 얼마나 일반화될 수 있는가?
• RQ4 스킵 연결과 엔드 투 엔드 훈련의 사용이 수평면 추적 정밀도를 향상시키는가?
• RQ5 이 방법은 복잡한 시ismic 데이터에서 해석 시간을 줄이면서도 높은 신뢰성을 유지할 수 있는가?

주요 결과

• 제안된 모델은 3D 시ismic 볼륨에서 동시에 여러 수평면을 성공적으로 추적한다.
• 자동으로 추적된 수평면은 수작업으로 선택한 수평면과 강한 공간적 일치를 보이며, 높은 정확도를 입증한다.
• 신호 대 잡음비와 지질 복잡성의 변화에 대해 강건함을 보여준다.
• U-Net 아키텍처에서 스킵 연결의 사용은 경계 국소화와 세그멘테이션 정밀도를 향상시킨다.
• 엔드 투 엔드 훈련 프레임워크는 수작업 특징 공학 없이도 신뢰할 수 있는 추론을 가능하게 한다.
• 결과는 딥 러닝이 시ismic 수평면 해석의 가속화와 표준화 가능성을 확인한다.