[论文解读] DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network

Swapnil Mache, Praveen Kumar Pokala+2 more|arXiv (Cornell University)|Apr 10, 2021

Seismic Imaging and Inversion Techniques参考文献 67被引用 5

一句话总结

本文提出DuRIN，一种基于加权最小最大凹惩罚（MCP）正则化的深度展开神经网络，用于稀疏地震反射率反演，以改善支撑恢复与振幅恢复。通过将非凸优化算法展开为可学习、可解释的网络结构，DuRIN在合成1D/2D模型、Marmousi2基准测试及真实3D Penobscot测线数据上均实现了更优的界面定位与侧向连续性，优于FISTA、BPI和SBL-EM在PES与SRER等关键指标上的表现。

ABSTRACT

We consider the reflection seismology problem of recovering the locations of interfaces and the amplitudes of reflection coefficients from seismic data, which are vital for estimating the subsurface structure. The reflectivity inversion problem is typically solved using greedy algorithms and iterative techniques. Sparse Bayesian learning framework, and more recently, deep learning techniques have shown the potential of data-driven approaches to solve the problem. In this paper, we propose a weighted minimax-concave penalty-regularized reflectivity inversion formulation and solve it through a model-based neural network. The network is referred to as deep-unfolded reflectivity inversion network (DuRIN). We demonstrate the efficacy of the proposed approach over the benchmark techniques by testing on synthetic 1-D seismic traces and 2-D wedge models and validation with the simulated 2-D Marmousi2 model and real data from the Penobscot 3D survey off the coast of Nova Scotia, Canada.

研究动机与目标

• 为解决地震反射率反演的病态性问题，引入一种非凸稀疏性促进正则化方法，以克服ℓ1-范数正则化固有的偏差。
• 提升反射率反演中的支撑恢复与振幅估计性能，尤其针对紧密排列或低振幅界面。
• 构建一种基于模型的深度学习框架，将迭代非凸优化算法展开为可学习、可解释的神经网络结构。
• 在多样化数据集上验证所提方法，包括合成1D与2D测线、模拟的Marmousi2模型，以及Penobscot测线的真实3D野外数据。

提出的方法

• 该方法将反射率反演建模为加权最小最大凹惩罚（MCP）正则化优化问题，相比ℓ1正则化，可降低偏差并增强稀疏性。
• 将优化算法展开为深度神经网络结构（DuRIN），其中每一层对应迭代软阈值化算法的一次迭代，且参数可学习。
• 网络在已知反射率与Ricker子波生成的合成地震记录上进行端到端训练，实现对最优收缩阈值与软阈值函数的数据驱动学习。
• 实现两种变体DuRIN-1与DuRIN-2，采用不同网络深度与残差连接，以探索深度与性能之间的权衡。
• 该框架引入非凸惩罚，可自适应于信号幅值，从而提升强反射体与弱反射体的恢复能力。
• 采用标准指标（包括PES（支撑误差概率）、RRE（相对恢复误差）与SRER（估计反射率信噪比））对网络进行评估，并与FISTA、BPI和SBL-EM进行比较。

实验结果

研究问题

• RQ1 基于加权MCP的非凸正则化框架是否能相比ℓ1基方法，显著改善地震反射率反演中的支撑恢复与振幅估计？
• RQ2 基于展开的非凸优化的深度展开网络架构，在合成与真实数据上，其分辨率与鲁棒性是否优于传统迭代求解器？
• RQ3 单道深度学习模型在不依赖多道或2D卷积处理的情况下，能在多大程度上保持地下界面的侧向连续性？
• RQ4 当仅在合成数据上进行训练时，所提出的基于模型的深度学习框架是否能在真实野外数据（如3D Penobscot测线）上实现良好泛化？
• RQ5 在界面定位精度与计算成本之间，网络深度与性能之间的权衡关系如何？

主要发现

• 在Marmousi2模型上，DuRIN-1与DuRIN-2分别实现了最低的PES（支撑误差概率）0.03与0.02，显著优于BPI（0.12）与FISTA（0.15），表明其支撑恢复能力更优。
• 在Marmousi2模型上，DuRIN-1与DuRIN-2分别达到最高的SRER（估计反射率信噪比）22.1 dB与22.3 dB，优于SBL-EM的18.5 dB与BPI的17.8 dB。
• 在真实Penobscot 3D测线数据中，DuRIN-1与DuRIN-2生成的反射率剖面具有更高分辨率，并更好地保持了侧向连续性，尤其在1.1 s附近，优于BPI与FISTA生成的平滑输出。
• 通过与井下测井导出的反射率对比，验证了所提方法能有效分辨Penobscot数据中紧密排列的界面，DuRIN-1与DuRIN-2在该区域与参考剖面对齐更优。
• DuRIN-1与DuRIN-2在噪声与子波不确定性下表现出强鲁棒性，尽管仅在合成记录上进行训练，仍能在合成与真实数据上保持高性能。
• 在Marmousi2模型中，网络对气藏砂层下方低振幅反射的恢复能力有限，表明未来工作需进一步提升对弱事件的敏感性。