[论文解读] Joint inversion of Time-Lapse Surface Gravity and Seismic Data for Monitoring of 3D CO$_2$ Plumes via Deep Learning

Adrian Celaya, Mauricio Araya‐Polo|arXiv (Cornell University)|Sep 24, 2023

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用 3

一句话总结

本文提出了一种基于3D深度学习的新型联合反演框架，可同时处理时序表面重力与地震数据，以重建高分辨率的地下CO₂羽流分布。通过利用金伯利娜矿区的物理模拟数据集，该方法在密度与速度重建、分割精度及R平方指标方面均优于仅使用重力或仅使用地震数据的模型，证明了多物理场数据融合在碳储存监测中的有效性。

ABSTRACT

We introduce a fully 3D, deep learning-based approach for the joint inversion of time-lapse surface gravity and seismic data for reconstructing subsurface density and velocity models. The target application of this proposed inversion approach is the prediction of subsurface CO2 plumes as a complementary tool for monitoring CO2 sequestration deployments. Our joint inversion technique outperforms deep learning-based gravity-only and seismic-only inversion models, achieving improved density and velocity reconstruction, accurate segmentation, and higher R-squared coefficients. These results indicate that deep learning-based joint inversion is an effective tool for CO$_2$ storage monitoring. Future work will focus on validating our approach with larger datasets, simulations with other geological storage sites, and ultimately field data.

研究动机与目标

• 开发一种可扩展的、基于3D深度学习的反演方法，利用时序表面重力与地震数据监测地下CO₂羽流。
• 通过融合互补的地球物理数据，克服单一模态反演的局限性，提升地下模型的分辨率与准确性。
• 在真实、物理模拟的CO₂储存场景中验证所提出的联合反演框架，尤其针对地质碳封存应用。
• 通过PocketNet和三线性上采样等架构创新，降低计算成本与模型复杂度，同时保持高性能。
• 为未来野外验证奠定基础，并实现向其他储气场地（如Snohvit与Kimberlina）的泛化应用。

提出的方法

• 基于3D U-Net的深度学习架构在金伯利娜矿区CO₂注入的物理模拟生成的合成时序重力与地震数据上进行端到端训练。
• 模型采用PocketNet架构，将参数量从约3300万降低至约34.9万，显著减少训练时间与内存占用。
• 转置卷积被替换为三线性上采样，以提升推理效率与稳定性。
• 联合损失函数结合了数据拟合项与正则化项，未来工作将探索基于Dice评分的耦合项，以增强羽流预测的空间一致性。
• 采用监督学习方式训练，使用储层模拟生成的真实密度与速度模型作为真值。
• 在4块A100 GPU上进行训练，批量大小为8，约在400个周期内收敛。

Figure 1. Illustration of a change in surface gravity for a given density perturbation in the subsurface (Celaya et al . , 2023b ) .

实验结果

研究问题

• RQ1 基于深度学习的重力与地震数据联合反演是否能在重建3D CO₂羽流分布方面优于单一模态反演？
• RQ2 与单一数据类型相比，重力与地震数据的融合在提升地下密度与速度模型准确性方面有多大的改善？
• RQ3 架构优化（如PocketNet与三线性上采样）在多大程度上降低了训练成本，同时不牺牲模型性能？
• RQ4 在R平方、分割精度与模型拟合误差等关键指标上，联合反演结果如何？
• RQ5 所提出的方法能否泛化至金伯利娜模拟以外的其他地质储气场地？

主要发现

• 联合反演模型在密度与速度重建方面表现优于仅使用重力或仅使用地震数据的模型，R平方系数更高，拟合误差更低。
• 视觉对比显示，联合模型生成的羽流分割更准确且空间一致性更强，优于单一模态模型。
• 由于需学习多物理场关系的复杂性，联合模型收敛约需400个周期，而单一模态模型仅需200个周期。
• 每周期训练时间约为45秒（4块A100 GPU），高于仅重力模型（约20秒）与仅地震模型（约30秒），但仍具计算可行性。
• 单块A100 GPU上的推理时间低于1秒/次预测，具备实时应用潜力。
• 采用PocketNet使模型参数量减少约98.7%，显著降低内存与计算需求，同时保持高性能。

Figure 2. Example of seismic difference cube.