[论文解读] $\mathbf{\mathbb{E}^{FWI}}$: Multi-parameter Benchmark Datasets for Elastic Full Waveform Inversion of Geophysical Properties

Shihang Feng, Hanchen Wang+7 more|arXiv (Cornell University)|Jun 21, 2023

Seismic Imaging and Inversion Techniques被引用 4

一句话总结

本文介绍了 $Ε^{FWI}$，一个用于弹性全波形反演（FWI）的开源基准数据集，包含八个具有不同地下模型的案例，涵盖P波和S波速度以及多分量地震数据。该数据集支持基于深度学习的多参数反演，展示了在应对现实世界复杂性方面的改进鲁棒性，同时突出了由于P波与S波物理耦合导致的收敛性和计算成本方面的挑战。

ABSTRACT

Elastic geophysical properties (such as P- and S-wave velocities) are of great importance to various subsurface applications like CO$_2$ sequestration and energy exploration (e.g., hydrogen and geothermal). Elastic full waveform inversion (FWI) is widely applied for characterizing reservoir properties. In this paper, we introduce $\mathbf{\mathbb{E}^{FWI}}$, a comprehensive benchmark dataset that is specifically designed for elastic FWI. $\mathbf{\mathbb{E}^{FWI}}$ encompasses 8 distinct datasets that cover diverse subsurface geologic structures (flat, curve, faults, etc). The benchmark results produced by three different deep learning methods are provided. In contrast to our previously presented dataset (pressure recordings) for acoustic FWI (referred to as OpenFWI), the seismic dataset in $\mathbf{\mathbb{E}^{FWI}}$ has both vertical and horizontal components. Moreover, the velocity maps in $\mathbf{\mathbb{E}^{FWI}}$ incorporate both P- and S-wave velocities. While the multicomponent data and the added S-wave velocity make the data more realistic, more challenges are introduced regarding the convergence and computational cost of the inversion. We conduct comprehensive numerical experiments to explore the relationship between P-wave and S-wave velocities in seismic data. The relation between P- and S-wave velocities provides crucial insights into the subsurface properties such as lithology, porosity, fluid content, etc. We anticipate that $\mathbf{\mathbb{E}^{FWI}}$ will facilitate future research on multiparameter inversions and stimulate endeavors in several critical research topics of carbon-zero and new energy exploration. All datasets, codes and relevant information can be accessed through our website at https://efwi-lanl.github.io/

研究动机与目标

• 解决缺乏标准化、真实的多参数弹性FWI基准数据集的问题，这些数据集需包含P波和S波速度以及多分量地震数据。
• 通过提供多样化的地下地质构造（如断层、弯曲地层）来支持基于深度学习的弹性FWI方法的开发与评估。
• 研究P波与S波速度之间的耦合关系及其对反演精度和收敛性的影响。
• 通过实现高保真度的地下结构表征，促进零碳能源应用（包括地热能和碳捕集与封存）的研究。

提出的方法

• 该数据集包含八个合成地震数据集，其地质构造各不相同，如水平层、弯曲界面和断层构造。
• 每个数据集均基于P波和S波速度进行完整的弹性波场模拟，并在垂直和水平分量上记录了合成地震数据。
• 该基准包括使用弹性波方程的正演模拟结果，重点通过精细网格间距和高精度时间域求解器来最小化数值色散。
• 在该数据集上评估了三种深度学习模型，以建立P波和S波速度多参数反演的基线性能。
• 该数据集提供了基于P波和S波速度对计算得到的泊松比和杨氏模量图，以支持岩性与流体含量分析。
• 所有数据和代码将在获得洛斯阿拉莫斯国家实验室和美国能源部批准后，通过公共网站发布。

Figure 1: Gallery of $\mathbf{\mathbb{E}^{FWI}}$ : one example of reservoir structure ( $\mathrm{Pr}$ ) and velocity maps ( $V_{P}$ , $V_{S}$ ) from the $\mathbf{\mathbb{E}^{FVB},\mathbb{E}^{FFB},\mathbb{E}^{CVB},\mathbb{E}^{CFB}}$ datasets. $\mathrm{Pr}$ refers to the designed reservoir, which is t

实验结果

研究问题

• RQ1 在地震数据中同时包含P波和S波速度时，使用深度学习方法进行弹性FWI的收敛性和准确性如何受到影响？
• RQ2 与单分量数据相比，多分量（垂直和水平）地震数据对地下弹性参数反演的影响是什么？
• RQ3 不同的地质构造（如断层和弯曲地层）如何影响在 $Ε^{FWI}$ 上训练的多参数FWI模型的性能？
• RQ4 考虑到该数据集的复杂性和物理真实性，基于 $Ε^{FWI}$ 训练的深度学习模型在多大程度上能泛化到真实野外数据？
• RQ5 在弹性FWI中，与速度互换性和非线性相关的关键挑战是什么？这些挑战如何通过网络结构设计加以缓解？

主要发现

• $Ε^{FWI}$ 基准表明，基于该数据集训练的深度学习模型在处理包含P波和S波分量的复杂、真实弹性波场数据方面表现出更强的鲁棒性。
• P波与S波速度的耦合显著增加了反演问题的非线性程度，导致收敛速度变慢且计算成本更高，相较于声学FWI更为明显。
• 包含水平分量数据可提高地下速度模型重建的分辨率和准确性，尤其是在断层和复杂构造区域。
• 基准结果表明，尽管某些模型在简单结构上可实现高保真度反演，但在高度非均质或各向异性模型上性能下降，表明需要改进网络架构。
• 该数据集支持从P波和S波速度推导泊松比和杨氏模量，为岩性、孔隙度和流体含量提供关键洞察。
• 本研究发现，当前的深度学习模型在P波与S波速度之间仍存在显著的互换性问题，提示未来工作应聚焦于解耦策略和物理信息正则化。

Figure 2: Comparison of elastic data in $\mathbf{\mathbb{E}^{FWI}}$ and acoustic data in OpenFWI . Acoustic data only contain P-waves propagation while elastic data contain both P- and S-waves.