[论文解读] PINNtomo: Seismic tomography using physics-informed neural networks

Umair bin Waheed, Tariq Alkhalifah+3 more|arXiv (Cornell University)|Apr 4, 2021

Seismic Imaging and Inversion Techniques参考文献 23被引用 39

一句话总结

PINNtomo 使用物理信息神经网络通过求解分解的 eikonal 方程，从行波时数据反演地震速度，获得一个无网格、对初始模型无关的层析成像方法，并具有改进的正则化。

ABSTRACT

Seismic traveltime tomography using transmission data is widely used to image the Earth's interior from global to local scales. In seismic imaging, it is used to obtain velocity models for subsequent depth-migration or full-waveform inversion. In addition, cross-hole tomography has been successfully applied for a variety of applications, including mineral exploration, reservoir monitoring, and CO2 injection and sequestration. Conventional tomography techniques suffer from a number of limitations, including the use of a smoothing regularizer that is agnostic to the physics of wave propagation. Here, we propose a novel tomography method to address these challenges using developments in the field of scientific machine learning. Using seismic traveltimes observed at seismic stations covering part of the computational model, we train neural networks to approximate the traveltime factor and the velocity fields, subject to the physics-informed regularizer formed by the factored eikonal equation. This allows us to better compensate for the ill-posedness of the tomography problem compared to conventional methods and results in a number of other attractive features, including computational efficiency. We show the efficacy of the proposed method and its capabilities through synthetic tests for surface seismic and cross-hole geometries. Contrary to conventional techniques, we find the performance of the proposed method to be agnostic to the choice of the initial velocity model.

研究动机与目标

• 促使地震行波时层析成为跨尺度建立速度模型的工具。
• 通过将物理直接融入学习来解决传统层析中的不适定性和正则化问题。
• 开发基于 PINN 的框架，联合估计行波时因子与速度场。
• 证明对初始速度模型的鲁棒性以及对地表和井间几何的适用性。

提出的方法

• 通过分解的 eikonal 方程 T(x)=T0(x)·τ(x) 来表述行波时以处理源点奇点。
• 使用两个神经网络：一个用于行波时因子 τ(x_s, x)，一个用于速度 v(x)。
• 通过将行波时失配、边界条件和分解的 eikonal 方程残差相结合的损失来强制物理规律。
• 通过对网络输出应用 sigmoid 激活以强制正值并将其缩放到物理范围内。
• 通过最小化包含数据失配、边界条件和偏微分方程残差的单一目标来联合训练网络。
• 使用 SciANN (TensorFlow) 实现，并以 Adam 优化后再使用 L-BFGS-B。

实验结果

研究问题

• RQ1 PINNs 是否能够在井间与地表几何中从行波时数据准确恢复长期波长的速度结构？
• RQ2 PINNtomo 方法对初始速度模型和不规则地形的鲁棒性如何？
• RQ3 将 eikonal 方程残差作为物理信息正则化项是否比传统的基于平滑的反演方法更有效地改进反演？
• RQ4 在典型的二维地震层析设置中，PINNtomo 框架的计算与内存需求有哪些？

主要发现

• 该方法在井间和地表几何中都能可靠地恢复真实速度模型的长期波长特征。
• PINNtomo 对初始速度模型不可知，不需要强加深度梯度。
• eikonal 方程的物理信息残差作为正则化项在超越传统平滑的意义上具有有效性。
• 无网格方法可容纳不规则地形以及非均匀的源/接收器布置。
• 计算效率较好，报道在 GTX 等硬件上可在数分钟内完成示例求解（例如井间约 6 分钟；地表约 20 分钟）。