[논문 리뷰] InversionNet: A Real-Time and Accurate Full Waveform Inversion with CNNs and continuous CRFs

Yue Wu, Youzuo Lin|arXiv (Cornell University)|2018. 10. 26.

Seismic Imaging and Inversion Techniques참고 문헌 22인용 수 31

한 줄 요약

InversionNet는 CNN 기반 인코더-디코더 아키텍처와 연속형 조건부 랜덤 필드(CRF)를 결합하여 실시간으로 정확한 전체파면역소산(FWI)을 수행하는 방법을 제안한다. 반복 최적화를 거치지 않고 지반 속도 구조로의 역함수 매핑을 학습함으로써, 전통적인 FWI에 비해 더 높은 정확도와 더 적은 계산 시간을 달성하며, CRF 정규화를 통해 단층 및 경계 근처의 심각한 아티팩트를 크게 감소시킨다.

ABSTRACT

Full-waveform inversion problems are usually formulated as optimization problems, where the forward-wave propagation operator $f$ maps the subsurface velocity structures to seismic signals. The existing computational methods for solving full-waveform inversion are not only computationally expensive, but also yields low-resolution results because of the ill-posedness and cycle skipping issues of full-waveform inversion. To resolve those issues, we employ machine-learning techniques to solve the full-waveform inversion. Specifically, we focus on applying the convolutional neural network~(CNN) to directly derive the inversion operator $f^{-1}$ so that the velocity structure can be obtained without knowing the forward operator $f$. We build a convolutional neural network with an encoder-decoder structure to model the correspondence from seismic data to subsurface velocity structures. Furthermore, we employ the conditional random field~(CRF) on top of the CNN to generate structural predictions by modeling the interactions between different locations on the velocity model. Our numerical examples using synthetic seismic reflection data show that the propose CNN-CRF model significantly improve the accuracy of the velocity inversion while the computational time is reduced.

연구 동기 및 목표

• 기존 전체파면역소산(FWI) 방법의 계산 비용과 불안정성 문제를 해결하기 위해.
• 반복 최적화를 회피하고 지반 속도 모델로의 직접적인 역함수 매핑을 학습함으로써 데이터 기반 접근법을 개발하기 위해.
• 조건부 랜덤 필드(CRF)를 통해 구조적 사전 지식을 통합함으로써, 특히 지질학적 경계와 단층 근처에서의 정확도와 해상도를 향상시키기 위해.
• 학습 데이터에 포함되지 않은 새로운 속도 구조로의 일반화 능력과 노이즈에 대한 강건성을 향상시키기 위해.

제안 방법

• 지반 속도 모델로의 매핑을 학습하기 위해 U-Net 스타일의 인코더-디코더 컨볼루션 신경망(CNN)을 사용한다.
• 인코더는 다중 컨볼루션 레이어를 통해 지반 반사 데이터 트레이스를 처리하여 계층적 특징을 추출하고, 디코더는 특징 맵을 업샘플링하여 속도 모델을 재구성한다.
• CNN 출력 위에 국소적으로 연결된 연속형 CRF를 적용하여 공간적 종속성을 모델링하고, 구조적 경계 및 단층에서의 속도 값을 정밀하게 보정한다.
• CRF는 속도 예측의 국소 일관성을 강제하여, 역소산 아티팩트를 감소시키고 구조적 정확도를 향상시킨다.
• 모델은 합성 지반 반사 데이터를 사용하여 엔드 투 엔드로 훈련되며, 타겟으로는 진짜 속도 모델이 사용된다.
• 추론 과정에서 전파 파동 방정식을 풀지 않기 때문에 실시간 역소산이 가능하다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 반복 최적화 없이 전체파면역소산을 위한 정확하고 효율적인 역연산자(역함수)를 학습할 수 있는가?
• RQ2 연속형 CRF의 통합이 단층 및 경계 근처에서 속도 재구성의 구조적 정확도를 얼마나 향상시키는가?
• RQ3 제안된 모델이 지반 데이터에 추가된 가우시안 노이즈에 얼마나 강건한가?
• RQ4 훈련 중에 볼 수 없었던 다양한 지질학적 특징(예: 다중 단층, 부드러운 속도 변화)을 가진 속도 모델로 일반화할 수 있는가?

주요 결과

• CNN-CRF 모델은 CNN 단독 기반 모델 대비 유의미하게 높은 역소산 정확도를 달성했으며, 균질 영역에서의 아티팩트가 감소하고 단층 구조의 경계가 더 명확히 드러났다.
• 노이즈 수준이 다양할 경우에도 역소산 결과의 평균 절대 오차(MAE)는 일관되게 유지되었으며, 신호 대 노이즈비(SNR) 수준 15 dB에서 30 dB 사이에서 68.49–70.30 m/s의 값을 기록하여 노이즈에 대한 강건성을 입증했다.
• 훈련 데이터에 단층이 포함되지 않은 속도 모델에 대해서도 잘 일반화되어, 3개 또는 4개의 층을 가진 모델에 대해 합리적인 재구성을 생성했다.
• 다중 단층을 가진 속도 모델을 성공적으로 재구성했지만, 단층 기하학적 형태와 속도 대비 정도는 다소 떨어졌다.
• 깊이에 따라 점진적으로 증가하는 속도 변화를 보이는 다층 모델에서 부드러운 속도 변화를 잘 포착했으며, 이는 비정상적인 속도 층에 대한 일반화 능력을 시사한다.
• 기존의 FWI에 비해 계산 시간이 극적으로 감소하여, 고정밀도를 유지하면서도 실시간 역소산을 가능하게 했다.