[论文解读] Data-driven Seismic Waveform Inversion: A Study on the Robustness and Generalization

Zhongping Zhang, Youzuo Lin|arXiv (Cornell University)|Sep 26, 2018

Seismic Imaging and Inversion Techniques参考文献 47被引用 9

一句话总结

本文提出VelocityGAN，一种基于生成对抗网络（GANs）的数据驱动地震波形反演方法，通过从数据中学习正则化以提高反演精度和泛化能力。通过端到端训练带有条件判别器和改进编码器-解码器生成器的GAN，VelocityGAN在合成地震数据上实现了最先进性能，显著减少了循环跳变（cycle skipping）和计算成本，同时通过迁移学习展示了更强的鲁棒性。

ABSTRACT

Acoustic- and elastic-waveform inversion is an important and widely used method to reconstruct subsurface velocity image. Waveform inversion is a typical non-linear and ill-posed inverse problem. Existing physics-driven computational methods for solving waveform inversion suffer from the cycle skipping and local minima issues, and not to mention solving waveform inversion is computationally expensive. In recent years, data-driven methods become a promising way to solve the waveform inversion problem. However, most deep learning frameworks suffer from generalization and over-fitting issue. In this paper, we developed a real-time data-driven technique and we call it VelocityGAN, to accurately reconstruct subsurface velocities. Our VelocityGAN is built on a generative adversarial network (GAN) and trained end-to-end to learn a mapping function from the raw seismic waveform data to the velocity image. Different from other encoder-decoder based data-driven seismic waveform inversion approaches, our VelocityGAN learns regularization from data and further impose the regularization to the generator so that inversion accuracy is improved. We further develop a transfer learning strategy based on VelocityGAN to alleviate the generalization issue. A series of experiments are conducted on the synthetic seismic reflection data to evaluate the effectiveness, efficiency, and generalization of VelocityGAN. We not only compare it with existing physics-driven approaches and data-driven frameworks but also conduct several transfer learning experiments. The experiment results show that VelocityGAN achieves state-of-the-art performance among the baselines and can improve the generalization results to some extent.

研究动机与目标

• 为解决物理驱动的声波和弹性波形反演（AEWI）中的循环跳变和高计算成本问题。
• 克服现有数据驱动深度学习方法在地震反演中泛化能力差和过拟合的局限性。
• 开发一种实时、端到端的数据驱动反演框架，从数据中学习物理正则化。
• 在合成地震数据集上评估所提方法的有效性、效率和泛化能力。
• 研究迁移学习对提升模型在多样化地质构造中泛化能力的影响。

提出的方法

• 该方法采用条件GAN架构，生成器基于编码器-解码器U-Net结构，将原始地震波形映射为地下速度图像。
• 判别器为卷积神经网络，用于区分真实速度图像与生成图像，使模型通过对抗训练学习到逼真的图像先验。
• 采用改进的损失函数，结合对抗损失、感知损失和重建损失，以提升图像保真度和结构准确性。
• 通过判别器的反馈对生成器进行正则化，使模型能够隐式地从数据中学习物理约束，而非依赖手工设计的先验。
• 通过在新地质构型上微调预训练的VelocityGAN，实施迁移学习策略，提升对未见数据的泛化能力。
• 模型在大规模速度模型和对应合成波形数据集上，基于合成地震反射数据进行端到端训练。

实验结果

研究问题

• RQ1 基于GAN的数据驱动方法是否能在精度和计算效率方面超越传统物理驱动的波形反演方法？
• RQ2 所提出的VelocityGAN在训练过程中未见过的地质构造上泛化能力如何？
• RQ3 迁移学习在多大程度上能提升数据驱动地震反演模型的泛化能力？
• RQ4 与标准自编码器方法相比，使用条件判别器的对抗训练是否能带来更好的正则化效果并提升反演质量？
• RQ5 该模型在复杂结构（如多条断层和弯曲界面）上的表现如何？

主要发现

• VelocityGAN在0-Fault CurvedData和2-Fault CurvedData上均达到最先进性能，无论在定量还是定性指标上，均优于物理驱动方法如AEWI-Pre和AEWI-MTV。
• 在2-Fault CurvedData上，VelocityGAN-TF在阈值t=1.10时达到95.85%的准确率，显著优于AEWI-Pre（68.36%）和AEWI-MTV（79.32%）。
• 模型展现出良好的泛化能力：在1-fault数据上训练的VelocityGAN成功重建了0-和2-fault结构，尽管在近距离断层情况下存在一定程度的模糊。
• 通过VelocityGAN-TF实现的迁移学习显著提升了重建质量，尤其在保持断层几何形态方面，2-Fault CurvedData在t=1.10时达到88.30%准确率，超过原始VelocityGAN（t=1.10时为55.33%）。
• 视觉结果表明，VelocityGAN输出的地质界面和断层更清晰、更锐利，而物理驱动方法则在深层和高速区域表现出振荡现象。
• 消融实验证实，与标准自编码器基线相比，采用学习到的正则化的条件对抗训练显著提升了图像质量并减少了伪影。