[논문 리뷰] DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network

Swapnil Mache, Praveen Kumar Pokala외 2명|arXiv (Cornell University)|2021. 04. 10.

Seismic Imaging and Inversion Techniques참고 문헌 67인용 수 5

한 줄 요약

이 논문은 가중치가 부여된 최소최대 볼록 페널티(MCP) 정규화를 사용하여 희박한 지질 반사도 역설계를 위한 딥-언폴드 신경망인 DuRIN을 제안한다. 비볼록 최적화 알고리즘을 학습 가능한 해석 가능한 아키텍처로 언폴딩함으로써, DuRIN은 합성 1D/2D 모델, Marmousi2 벤치마크, 그리고 실제 3D Penobscot 조사 데이터에서 FISTA, BPI, SBL-EM보다 우수한 인터페이스 정렬 및 횡방향 연속성 성능을 달성한다. 주요 지표인 PES와 SRER에서 뛰어난 성능을 보였다.

ABSTRACT

We consider the reflection seismology problem of recovering the locations of interfaces and the amplitudes of reflection coefficients from seismic data, which are vital for estimating the subsurface structure. The reflectivity inversion problem is typically solved using greedy algorithms and iterative techniques. Sparse Bayesian learning framework, and more recently, deep learning techniques have shown the potential of data-driven approaches to solve the problem. In this paper, we propose a weighted minimax-concave penalty-regularized reflectivity inversion formulation and solve it through a model-based neural network. The network is referred to as deep-unfolded reflectivity inversion network (DuRIN). We demonstrate the efficacy of the proposed approach over the benchmark techniques by testing on synthetic 1-D seismic traces and 2-D wedge models and validation with the simulated 2-D Marmousi2 model and real data from the Penobscot 3D survey off the coast of Nova Scotia, Canada.

연구 동기 및 목표

• ℓ1-노름 정규화에서 기인하는 편향을 극복하기 위해 비볼록 희박성 촉진 정규화를 도입하여 지질 반사도 역설계의 불안정성 문제를 해결하고자 한다.
• 특히 밀도가 높거나 낮은 반사계면에서의 지원 복구 및 진폭 추정 성능을 향상시키고자 한다.
• 반복적인 비볼록 최적화 알고리즘을 언폴딩하여 학습 가능한 해석 가능한 신경망 아키텍처로 변환하는 모델 기반 딥러닝 프레임워크를 개발하고자 한다.
• 합성 1D 및 2D 트레이스, 시뮬레이션된 Marmousi2 모델, 그리고 Penobscot 조사에서 확보한 실제 3D 현장 데이터를 포함한 다양한 데이터셋에서 제안된 방법의 유효성을 검증하고자 한다.

제안 방법

• 반사도 역설계 문제를 ℓ1 정규화보다 편향을 줄이고 더 높은 희박성을 확보하기 위해 가중치가 부여된 최소최대 볼록 페널티(MCP) 정규화를 적용한 최적화 문제로 재정의한다.
• 최적화 알고리즘을 딥 신경망 아키텍처(DuRIN)로 언폴딩하며, 각 레이어는 학습 가능한 매개변수를 가진 반복적 셰이핑-스태핑 스킴의 한 반복에 해당한다.
• 합성 지질 트레이스를 사용하여 엔드 투 엔드로 학습함으로써, 최적의 셰이핑 임계치와 소프트-스태핑 함수를 데이터 기반으로 학습한다.
• 깊이와 성능 간의 상충관계를 탐색하기 위해 서로 다른 네트워크 깊이와 잔차 연결을 갖는 두 가지 변종인 DuRIN-1과 DuRIN-2를 구현한다.
• 신호 크기에 따라 적응하는 비볼록 페널티를 통합함으로써 강한 반사계면과 약한 반사계면 모두의 복구 성능을 향상시킨다.
• PES(지원 오차 확률), RRE(상대적 복구 오차), SRER(추정 반사도의 신호 대 잡음비)와 같은 표준 지표를 사용하여 FISTA, BPI, SBL-EM과의 비교를 통해 네트워크를 평가한다.

실험 결과

연구 질문

• RQ1 가중치가 부여된 MCP 기반의 비볼록 정규화 프레임워크는 ℓ1 기반 방법에 비해 지질 반사도 역설계에서 지원 복구 및 진폭 추정 성능을 향상시킬 수 있는가?
• RQ2 비볼록 최적화를 언폴딩한 딥-언폴드 네트워크 아키텍처는 합성 및 실제 데이터에서 전통적인 반복적 해법에 비해 해상도와 내성 면에서 어떻게 비교되는가?
• RQ3 다중 트레이스 또는 2D 컨볼루션 처리에 의존하지 않고도 단일 트레이스 기반 딥러닝 모델이 하부 지층 인터페이스의 횡방향 연속성을 어느 정도 유지할 수 있는가?
• RQ4 합성 데이터로만 훈련된 제안된 모델 기반 딥러닝 프레임워크는 실제 현장 데이터인 3D Penobscot 조사 데이터에 대해 잘 일반화되는가?
• RQ5 인터페이스 정렬 정확도와 계산 비용 측면에서 네트워크 깊이와 성능 간의 상충관계는 어떠한가?

주요 결과

• Marmousi2 모델에서 DuRIN-1과 DuRIN-2는 각각 0.03과 0.02의 최저 PES(지원 오차 확률)를 기록하여 BPI(0.12)와 FISTA(0.15)를 크게 앞서며 뛰어난 지원 복구 성능을 입증했다.
• Marmousi2 모델에서 DuRIN-1과 DuRIN-2는 각각 22.1 dB와 22.3 dB의 최고 SRER(추정 반사도의 신호 대 잡음비)를 기록했으며, SBL-EM(18.5 dB)과 BPI(17.8 dB)보다 뛰어난 성능을 보였다.
• 실제 Penobscot 3D 조사 데이터에서 DuRIN-1과 DuRIN-2는 BPI와 FISTA의 더 부드러운 출력에 비해 더 높은 해상도와 횡방향 연속성 유지 능력을 보였다. 특히 1.1 s 부근에서 두드러진 성능을 보였다.
• 비교 분석을 통해 DuRIN-1과 DuRIN-2는 웰로그 기반 반사도와의 일치도가 높아, 밀접하게 배열된 인터페이스를 성공적으로 해석함을 확인했다.
• DuRIN-1과 DuRIN-2는 합성 및 실제 데이터에서 노이즈와 웨이브렛 불확실성에 대해 뛰어난 내성 면을 보였으며, 훈련 시 합성 트레이스만을 사용했음에도 불구하고 높은 성능 유지를 유지했다.
• Marmousi2 모델에서 가스를 포함한 모래 채널 아래의 저진폭 반사계면은 제한적으로 복구되었으며, 향후 연구에서 약한 사건에 대한 민감도 향상 필요성이 제기된다.