[论文解读] CNN-tuned spatial filters for P- and S-wave decomposition and applications in elastic imaging

Wenlong Wang, Siwei Ma+1 more|arXiv (Cornell University)|Dec 21, 2021

Seismic Imaging and Inversion Techniques被引用 4

一句话总结

该论文提出了一种经过CNN调优的空域滤波器，用于在2D各向同性弹性波场中实现高精度、无伪影的P波和S波分解，避免了昂贵的傅里叶变换。该方法在合成数据上仅需一次训练，即可在分解精度上超越传统空域方法，并在弹性逆时偏移中显著减少成像伪影，尤其在高纵横波速度对比区域表现更优。

ABSTRACT

P- and S-wave decomposition is essential for imaging multi-component seismic data in elastic media. A data-driven workflow is proposed to obtain a set of spatial filters that are highly accurate and artifact-free in decomposing the P- and S-waves in 2D isotropic elastic wavefields. The filters are formulated initially by inverse Fourier transforms of the wavenumber-domain operators, and then are tuned in a convolutional neural network to improve accuracy using synthetic snapshots. Spatial filters are flexible for decomposing P-and S-waves at any time step without performing Fourier transforms over the entire wavefield snapshots, and thus are suitable for target-oriented imaging. Snapshots from synthetic data show that the network-tuned spatial filters can decompose P- and S-waves with improved decomposition accuracy compared with other space-domain PS decomposition methods. Elastic reverse-time migration using P- and S-waves decomposed from the proposed algorithm shows reduced artifacts in the presence of a high velocity contrast.

研究动机与目标

• 解决在弹性地震成像中实现P波和S波高精度分解的挑战，且不依赖计算成本高昂的傅里叶变换。
• 克服传统散度和旋度算子在波场分解中引起的振幅和相位失真问题。
• 开发一种数据驱动、可训练的空域滤波器框架，确保在不同速度模型下保持物理一致性。
• 实现高效、可并行化且面向目标的分解方法，适用于大规模或局部化的地震成像工作流程。
• 通过减少高纵横波速度对比区域的伪影，提升弹性逆时偏移（RTM）的成像质量。

提出的方法

• 通过P波和S波极化特性的波数域算子的逆傅里叶变换，构建初始空域滤波器。
• 采用单层卷积神经网络（CNN）利用合成波场快照作为训练数据，对空域滤波器进行调优。
• 训练网络以最小化预测P波快照与在波数域中分解得到的真实P波快照之间的差异。
• 使用训练好的滤波器在无需重新训练的情况下直接进行空域分解，从而可应用于多种模型。
• 将经过CNN调优的滤波器集成到弹性逆时偏移（RTM）工作流程中，用于PS波分解与成像构建。
• 对目标导向的数据集局部应用滤波器，充分发挥其在高性能计算（HPC）环境下的友好性与并行计算效率。

实验结果

研究问题

• RQ1 CNN调优的空域滤波器是否能实现比传统空域方法（如解耦传播法）更高的分解精度？
• RQ2 所提出的方法是否能减少弹性RTM中的成像伪影，尤其是在高纵横波速度对比区域？
• RQ3 单套训练好的滤波器是否可在无需重新训练的情况下泛化到不同弹性模型？
• RQ4 在精度和计算成本方面，CNN调优滤波器与波数域分解方法相比表现如何？
• RQ5 这些空域滤波器在多大程度上可扩展至各向异性介质或三维弹性介质？

主要发现

• 与解耦传播（DP）方法相比，CNN调优的空域滤波器实现了更高的分解精度，表现为叠加PP和PS成像中伪影显著减少。
• 在使用CNN调优滤波器的弹性RTM中，成像边界更加一致，且在高纵横波速度对比区域的伪影显著少于DP方法。
• 由于网络结构中嵌入了物理先验，训练后的滤波器在无需重新训练的情况下，可在不同模型中保持高精度。
• 15×15滤波器集的计算成本为225N次操作，高于波数域方法的4N log(N)成本，但空域滤波器更适合并行处理与面向目标的处理。
• 通过在代表性模型点处调优非平稳滤波器，该方法可扩展至各向异性介质；通过将滤波器集扩展至六个分量（Lx, Ly, Lz, Lxy, Lxz, Lyz），可推广至三维弹性介质。
• 训练所用的真实标签来自波数域分解，因此CNN调优滤波器的精度无法超过波数域方法，但其精度可匹配或超越空域方法。