[论文解读] Robust joint full-waveform inversion of time-lapse seismic data sets with total-variation regularization

Musa Maharramov, Biondo Biondi|arXiv (Cornell University)|Aug 4, 2014

Seismic Imaging and Inversion Techniques参考文献 4被引用 9

一句话总结

本文提出一种鲁棒的联合全波形反演（FWI）方法，用于时移地震数据，通过在模型差异上施加总变差（TV）正则化，以增强对生产引起的地下速度变化的恢复能力。通过同时对基准和监测调查使用TV正则化进行反演，该方法抑制了振荡伪影，并在噪声较大或采集重复性差的条件下，相比L2正则化和非正则化的联合反演技术，显著提高了精度。

ABSTRACT

We present a technique for reconstructing subsurface velocity model changes from time-lapse seismic survey data using full-waveform inversion (FWI). The technique is based on simultaneously inverting multiple survey vintages, with model difference regularization using the total variation (TV) seminorm. We compare the new TV-regularized time-lapse FWI with the $L_2$-regularized joint inversion proposed in our earlier work, using synthetic data sets that exhibit survey repeatability issues. The results demonstrate clear advantages of the proposed TV-regularized joint inversion over alternatives methods for recovering production-induced model changes that are due to both fluid substitution and geomechanical effects.

研究动机与目标

• 为解决在采集重复性差和数值伪影存在的情况下，从时移地震数据中恢复微弱生产引起的速度变化的挑战。
• 通过在模型差异上引入总变差（TV）正则化，改进现有联合反演方法，以更好地保持空间结构并减少振荡伪影。
• 证明TV正则化在检测块状（流体置换）和光滑（地质力学）速度变化方面，相比L2正则化和非正则化方法，能显著提升鲁棒性和精度。
• 在信噪比不同和采集几何不匹配的合成数据上验证该方法，结果表明其在真实条件下的优越性能。

提出的方法

• 该方法采用联合目标函数，同时反演基准和监测地震数据集，以最小化两组调查的数据拟合误差。
• 在模型差异（Δm）上引入总变差（TV）半范数正则化项，以促进速度变化梯度的稀疏性，偏好分段光滑和块状结构。
• 使用非线性共轭梯度算法结合多尺度频率延续策略求解优化问题，从低频开始逐步向高频推进。
• 将干净反演得到的基准模型用作同步反演中基准和监测反演的初始模型。
• 通过利用TV正则化的内在稀疏促进特性，避免了对人工调谐的空间加权算子（W）的依赖。
• 在相同数据集和迭代次数下，将该方法与并行差分、交叉更新及L2正则化联合反演方法进行对比。

实验结果

研究问题

• RQ1 在噪声较大和采集不可重复的条件下，TV正则化联合FWI是否能优于L2正则化和非正则化联合反演，以恢复时移速度变化？
• RQ2 TV正则化是否能有效抑制模型差异中的振荡数值伪影，同时保留真实的生产引起的改变？
• RQ3 在精度和鲁棒性方面，TV正则化同步反演与交叉更新和迭代并行差分方法相比表现如何？
• RQ4 TV正则化是否能在不了解空间加权信息的前提下，同时恢复块状（流体置换）和连续变化（地质力学）的速度变化？

主要发现

• 与交叉更新和迭代并行差分相比，TV正则化同步反演在模型差异中显著减少了振荡伪影，尤其在噪声数据中表现更优。
• 在干净数据中，TV正则化方法以更高保真度恢复了真实的速度差异，准确保留了负向（−150 m/s）和正向（+200 m/s）扰动的位置。
• 在7 dB信噪比数据中，TV正则化方法保持了更优的精度，其重建的差异幅值更接近真实模型，优于交叉更新和并行差分方法。
• 该方法在无需手动调谐空间加权算子（W）的情况下，有效抑制了计算伪影和噪声引起的特征。
• 结果表明，TV正则化显著提升了对非相关噪声和采集几何不匹配的鲁棒性，优于L2正则化和非正则化联合反演方法。
• 该方法成功捕捉了局部化（块状）和扩展化（光滑）的速度变化，表明其在模拟多样储层过程方面的多功能性。