[论文解读] Deep learning for low frequency extrapolation of multicomponent data in elastic full waveform inversion

Hongyu Sun, Laurent Demanet|arXiv (Cornell University)|Dec 31, 2020

Seismic Imaging and Inversion Techniques参考文献 45被引用 5

一句话总结

本文提出一种深度学习方法，从带限的多分量弹性地震数据中外推低频分量，以改进弹性全波形反演（FWI）的初始模型。通过使用感受野较大的卷积神经网络（CNN），分别在垂直和水平粒子速度分量上进行训练，该方法生成了2–4 Hz的低频数据，成功实现了P波与S波速度的反演，在Marmousi2模型上显著减少了弹性FWI中的周期跳变问题。

ABSTRACT

Full waveform inversion (FWI) strongly depends on an accurate starting model to succeed. This is particularly true in the elastic regime: The cycle-skipping phenomenon is more severe in elastic FWI compared to acoustic FWI, due to the short S-wave wavelength. In this paper, we extend our work on extrapolated FWI (EFWI) by proposing to synthesize the low frequencies of multi-component elastic seismic records, and use those "artificial" low frequencies to seed the frequency sweep of elastic FWI. Our solution involves deep learning: we separately train the same convolutional neural network (CNN) on two training datasets, one with vertical components and one with horizontal components of particle velocities, to extrapolate the low frequencies of elastic data. The architecture of this CNN is designed with a large receptive field, by either large convolutional kernels or dilated convolution. Numerical examples on the Marmousi2 model show that the 2-4Hz low frequency data extrapolated from band-limited data above 4Hz provide good starting models for elastic FWI of P-wave and S-wave velocities. Additionally, we study the generalization ability of the proposed neural network over different physical models. For elastic test data, collecting the training dataset by elastic simulation shows better extrapolation accuracy than acoustic simulation, i.e., a smaller generalization gap.

研究动机与目标

• 为解决弹性全波形反演（FWI）中严重的周期跳变问题，该问题因S波波长较短且对初始模型依赖性差而加剧。
• 开发一种计算高效的算法，从带限的多分量地震数据中生成合成低频分量，用于弹性FWI的频率扫掠初始化。
• 评估在声学与弹性合成数据上训练的深度学习模型在低频外推任务中的泛化能力。
• 评估外推低频分量在实现P波与S波速度准确反演方面的性能，用于弹性FWI。

提出的方法

• 使用两个独立的训练数据集（分别针对垂直粒子速度和水平粒子速度），训练一个深度卷积神经网络（CNN），以外推带限多分量地震数据中的低频分量。
• CNN架构采用大卷积核或空洞卷积，以实现大的感受野，从而捕捉长程空间依赖关系，这对低频外推至关重要。
• 模型在通过应力-速度公式使用八阶有限差分格式生成的合成弹性波场上进行训练，并对比声学与弹性训练数据。
• 在0–5 Hz范围内合成低频数据，并用于初始化弹性FWI，其反演性能与真实低频数据进行比较。
• 该方法利用了波场数据中的冗余性以及波动传播的物理一致性，以外推缺失的低频能量。

实验结果

研究问题

• RQ1 深度学习能否有效从带限的多分量弹性地震数据中外推低频分量，以改善弹性FWI的初始模型？
• RQ2 在弹性测试数据上，基于声学数据训练的CNN与基于弹性数据训练的CNN相比，其泛化性能如何？
• RQ3 当从4 Hz数据开始时，外推的低频分量（2–4 Hz）在多大程度上能成功实现P波与S波速度的弹性FWI？
• RQ4 训练数据的物理特性（声学 vs. 弹性）对深度学习模型泛化差距的影响如何？

主要发现

• 具有大感受野的CNN成功从带限数据中外推出0–5 Hz的低频分量，在Marmousi2模型上与真实低频数据表现出高度一致。
• 使用2–4 Hz外推数据初始化的弹性FWI，其反演结果与使用真实低频数据的结果相当，证明了其在缓解周期跳变方面的有效性。
• 在弹性训练数据上训练的神经网络在弹性测试数据上的泛化性能显著优于在声学数据上训练的网络，表明其泛化差距更小。
• 即使原始数据在4 Hz以上被限带，2–4 Hz的外推低频数据也足以生成P波与S波速度反演的准确低波数初始模型。
• 本研究证实，真实弹性训练数据对于稳健的低频外推至关重要，因为使用声学数据训练的模型在弹性测试数据上会产生更高的预测误差。