[논문 리뷰] Developing a seismic pattern interpretation network (SpiNet) for automated seismic interpretation

Haibin Di|arXiv (Cornell University)|2018. 10. 19.

Seismic Imaging and Inversion Techniques참고 문헌 21인용 수 10

한 줄 요약

이 논문은 실시간으로 12개의 일반적인 지질 패턴—예를 들어 단층, 소금 두븐, 가스 채널 등—을 자동으로 탐지하고 주석을 달 수 있도록 하는 딥러닝 기반의 지열 패턴 해석 네트워크인 SpiNet을 소개한다. 새로운 SpiDat 데이터셋을 제작하고 SpiNet을 엔드 투 엔드로 훈련시킴으로써, 대규모 지열 큐브에서 효율적이고 다중 패턴 인식이 가능해졌으며, 더 빠른 해석을 가능하게 하고 작업에 특화된 네트워크의 길을 열었다.

ABSTRACT

Seismic interpretation is now serving as a fundamental tool for depicting subsurface geology and assisting activities in various domains, such as environmental engineering and petroleum exploration. However, most of the existing interpretation techniques are designed for interpreting a certain seismic pattern (e.g., faults and salt domes) in a given seismic dataset at one time; correspondingly, the rest patterns would be ignored. Interpreting all the important seismic patterns becomes feasible with the aid of multiple classification techniques. When implementing them into the seismic domain, however, the major drawback is the low efficiency particularly for a large dataset, since the classification need to be repeated at every seismic sample. To resolve such limitation, this study first present a seismic pattern interpretation dataset (SpiDat), which tentatively categorizes 12 commonly-observed seismic patterns based on their signal intensity and lateral geometry, including these of important geologic implications such as faults, salt domes, gas chimneys, and depositional sequences. Then we propose a seismic pattern interpretation network (SpiNet) based on the state-of-the-art deconvolutional neural network, which is capable of automatically recognizing and annotating the 12 defined seismic patterns in real time. The impacts of the proposed SpiNet come in two folds. First, applying the SpiNet to a seismic cube allows interpreters to quickly identify the important seismic patterns as input to advanced interpretation and modeling. Second, the SpiNet paves the foundation for deriving more task-oriented seismic interpretation networks, such as fault detection. It is concluded that the proposed SpiNet holds great potentials for assisting the major seismic interpretation challenges and advancing it further towards cognitive seismic data analysis.

연구 동기 및 목표

• 단일 패턴에만 집중하는 기존 지열 해석 방법의 비효율성을 해결하기 위해.
• 대규모 지열 데이터셋에서 동시에 여러 지열 패턴을 탐지할 수 있는 통합적이고 실시간 프레임워크를 개발하기 위해.
• 신호 강도와 횡방향 기하학적 특성을 기준으로 12종의 일반적인 지열 패턴을 분류하는 표준화된 데이터셋(SpiDat)을 구축하기 위해.
• 단일 추론 단계를 통해 반복적인 샘플 단위 분류를 대체함으로써 더 빠르고 확장 가능한 지열 해석을 가능하게 하기 위해.
• 향후 작업에 특화된 네트워크, 예를 들어 전용 단층 탐지 시스템 등을 위한 기반을 마련하기 위해.

제안 방법

• 연구는 지열 패턴의 신호 강도와 횡방향 기하학적 특성을 정의 기준으로 삼아 12종의 일반적인 지열 패턴을 분류하는 새로운 지열 패턴 해석 데이터셋인 SpiDat를 구축한다.
• SpiNet은 최신 기술 수준의 복원 신경망 아키텍처를 사용하여 지열 데이터로부터 계층적인 특징을 학습한다.
• 모델은 단일 순방향 전파에서 모든 12종의 지열 패턴에 대해 픽셀 단위의 세그멘테이션 마스크를 예측하도록 엔드 투 엔드로 훈련된다.
• 엔코더-디코더 아키텍처에 스킵 커넥션을 활용하여 공간 해상도를 유지하고 정밀한 국소화 정확도를 향상시킨다.
• 감독 학습을 통해 SpiDat 데이터셋에서 훈련되며, 다중 클래스 세그멘테이션에 대해 교차 엔트로피 손실 함수를 사용한다.
• 실시간 성능 향상을 위해 추론 과정이 최적화되어 전체 지열 큐브의 빠른 주석 처리가 가능하다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 대규모 지열 볼륨에서 동시에 여러 지열 패턴을 효과적으로 탐지할 수 있는가?
• RQ2 기존의 샘플 단위 분류 방법과 비교해 볼 때, 제안된 SpiNet의 처리 속도와 정확도는 어떠한가?
• RQ3 다양한 형태학적 및 진폭 특성을 지닌 다양한 지열 패턴에 대해 통합 네트워크 아키텍처가 얼마나 일반화될 수 있는가?
• RQ4 제안된 데이터셋(SpiDat)이 다중 패턴 지열 해석 모델의 훈련 및 평가를 위한 신뢰할 수 있는 벤치마크로 기능할 수 있는가?
• RQ5 SpiNet이 전용 단층 탐지 시스템과 같은 전문화된 네트워크 개발의 기초로 활용될 잠재력은 어떠한가?

주요 결과

• SpiNet은 단일 추론 단계에서 전체 지열 큐브를 처리함으로써 실시간 다중 패턴 지열 해석을 가능하게 하여, 샘플 단위 분류 대비 계산 효율성을 크게 향상시켰다.
• 모델은 소금 두븐이나 단층 네트워크와 같이 구조적으로 복잡한 특징을 포함한 12종의 구분 가능한 지열 패턴을 높은 정확도로 탐지하였다.
• SpiDat의 도입은 지열 패턴 인식을 위한 표준화된 다중 클래스 벤치마크를 제공하여 재현 가능한 연구와 모델 평가를 지원한다.
• 복원 신경망 아키텍처는 공간 세부 정보를 효과적으로 유지하여, 노이즈가 많거나 대trast가 낮은 영역에서도 지열 패턴의 정밀한 국소화를 가능하게 하였다.
• SpiNet은 강력한 일반화 능력을 보이며, 전용 단층 탐지 시스템과 같은 작업에 특화된 네트워크를 위한 기초 프레임워크로 기능한다.
• 이 방법은 반복적인 해석 작업을 줄여 해석 시간을 단축시키고, 지질학적으로 중요한 패턴의 초기 탐지 자동화를 통해 인지적 지열 데이터 분석을 지원한다.