[論文レビュー] OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic Full Waveform Inversion

Chengyuan Deng, Shihang Feng+7 more|arXiv (Cornell University)|Nov 4, 2021

Seismic Imaging and Inversion Techniques被引用数 13

ひとこと要約

OpenFWI は、2.1 TB の合計サイズを持つ 12 個の地震全波形逆問題 (FWI) データセットを含む大規模かつオープンアクセスのベンチマークセットを提供する。これらのデータセットは、2D および 3D ドメインにおける多様な地中構造（界面、断層、CO2 儲留層、自然画像に基づく構造）をカバーしている。このデータセット群により、深層学習モデル（例：InversionNet、VelocityGAN、UPFWI を含む）を含むデータ駆動型 FWI 法の厳密かつ再現可能な評価が可能となる。ベンチマーク評価により、損失関数や構造的複雑性の違いに起因する性能のトレードオフや限界が明らかになった。

ABSTRACT

Full waveform inversion (FWI) is widely used in geophysics to reconstruct high-resolution velocity maps from seismic data. The recent success of data-driven FWI methods results in a rapidly increasing demand for open datasets to serve the geophysics community. We present OpenFWI, a collection of large-scale multi-structural benchmark datasets, to facilitate diversified, rigorous, and reproducible research on FWI. In particular, OpenFWI consists of 12 datasets (2.1TB in total) synthesized from multiple sources. It encompasses diverse domains in geophysics (interface, fault, CO2 reservoir, etc.), covers different geological subsurface structures (flat, curve, etc.), and contains various amounts of data samples (2K - 67K). It also includes a dataset for 3D FWI. Moreover, we use OpenFWI to perform benchmarking over four deep learning methods, covering both supervised and unsupervised learning regimes. Along with the benchmarks, we implement additional experiments, including physics-driven methods, complexity analysis, generalization study, uncertainty quantification, and so on, to sharpen our understanding of datasets and methods. The studies either provide valuable insights into the datasets and the performance, or uncover their current limitations. We hope OpenFWI supports prospective research on FWI and inspires future open-source efforts on AI for science. All datasets and related information can be accessed through our website at https://openfwi-lanl.github.io/

研究の動機と目的

• データ駆動型 FWI 研究における公平な比較と再現可能性を阻害する、公開可能で大規模かつ多様な地震 FWI データセットの不足に対処する。
• 教師ありおよび教師なしの深層学習手法における全波形逆問題の厳密な評価を支援する統一的でオープンソースのベンチマークセットを提供する。
• 断層や CO2 儲留など、多スケール・マルチ構造・マルチドメインの FWI 問題、特に 3D および複雑な地中構造の研究を可能にする。
• モデルの性能、一般化能力、不確実性に関する包括的なベンチマークと分析を通じて、スケーラブルで一般化可能かつ頑健な FWI モデルの開発を支援する。
• 地球物理学的画像処理分野における将来のオープンソースの AI for Science の取り組みを促進する基盤を提供し、再現可能で拡張可能な研究を実現する。

提案手法

• 音響波動方程式を用いた物理ベースの前方モデル化により、数学的モデルおよび現実の地質学的構造から得られる多様な地中構造（平坦、曲面、断層、CO2 儲留層、自然画像に基づく構造）を含む 12 個の大規模な地震 FWI データセットを合成する。
• 制御された発震源を用いて地震データと対応する真値の速度マップを生成し、データサイズは 2K から 67K サンプルの範囲に及び、合計サイズは 2.1 TB（うち 3D データセットが 1.4 TB）に達する。
• 教師ありおよび教師なし学習の両状態で、4 つの深層学習手法（InversionNet、VelocityGAN、UPFWI、InversionNet3D）を用いて、2D および 3D データセットの両方で標準化されたベンチマークパイプラインを実装する。
• 予測された地震データの RMSE、速度マップの忠実度、データセット間での一般化性能を評価する複数の指標を適用し、モデルの学習に ℓ₁ および ℓ₂ 損失関数を用いる。
• 複雑性分析（シャノンエントロピーを用いて）、不確実性の定量化、一般化の検証を含む追加分析を実施し、モデルの頑健性およびデータセットの代表性を評価する。
• 受動的地震応用に向けた拡張のため、地震波形に P 波到着時刻ラベルとノイズを追加し、InversionNet などのモデルが相関検出（相関検出）のトレーニングが可能になるようにする。

実験結果

リサーチクエスチョン

• RQ1 異なるデータ駆動型 FWI モデル（例：InversionNet、VelocityGAN、UPFWI）は、2D および 3D の多様な地中構造およびデータスケールにおいて、どのように性能を発揮するか？
• RQ2 損失関数の選択（ℓ₁ と ℓ₂）は、再構築された速度マップの品質および地震データ予測にどのような影響を及えるか？
• RQ3 ある構造タイプで学習したモデルが、別の構造タイプのデータセットに対してどれほど一般化できるか？
• RQ4 'Style Family' データセット（自然画像から派生）は、実地データの逆問題解決のための有効な一般化ベンチマークとして機能するか？
• RQ5 OpenFWI は、データ拡張およびモデルの微調整を通じて、P 波到着時刻の検出といった受動的地震画像処理タスクをどの程度サポートできるか？

主な発見

• ℓ₂ 損失関数で学習した最良のモデルは、Style-A データセットで最小の地震データ RMSE を達成し、優れた一般化性能と再構築忠実度を示した。
• ℓ₁ 損失関数のモデルにおいて、FlatFault-B データセットが最小の地震データ RMSE を示し、この損失関数下での断層構造に対する高いロバストネスを示した。
• 特に Style-A および Style-B からなる 'Style Family' データセットで学習したモデルは、多様な地中構造にわたり優れた一般化性能を示し、実地データの逆問題に最適なベンチマークとなった。
• 1.4 TB の 3D データセットである Kimberlina-V1 は、InversionNet3D のスケーラブルなトレーニングとベンチマーク化を可能にした。これは、3D FWI の発展に向けた大規模 3D データの重要性を強調している。
• Style-B データセットに P 波到着時刻ラベルとノイズを追加したことで、InversionNet が正確に初到着時刻を予測できるようになった。これは、OpenFWI が受動的地震応用分野への応用可能性を有していることを示している。
• 合成データにおいて優れた性能を発揮したものの、ベンチマーク評価により、未観測の地中構造への一般化の限界が明らかになり、実地のフィールドデータを用いたさらなる検証の必要性が示された。