[논문]딥러닝 기반 탄성파 단층 해석을 위한 합성 학습 자료 생성

최우창; 편석준

doi:10.7582/gge.2021.24.3.089

딥러닝 기반 탄성파 단층 해석을 위한 합성 학습 자료 생성
Synthetic Training Data Generation for Fault Detection Based on Deep Learning 원문보기

지구물리와 물리탐사 = Geophysics and geophysical exploration, v.24 no.3, 2021년, pp.89 - 97

최우창 (인하대학교 에너지자원공학과) , 편석준 (인하대학교 에너지자원공학과)

초록
AI-Helper

탄성파 자료에서의 단층 해석은 기계학습을 적용하기 매우 적합한 분야라고 할 수 있다. 결과적으로 다양한 형태의 기계학습 기반 단층 해석 기술들이 개발되고 있으며, 특히 합성 자료를 사용해 기계학습 모델을 훈련시키는 연구들이 중점적으로 수행되고 있다. 합성 자료를 사용할 경우 기계학습 모델을 훈련시키기 위한 대량의 자료를 확보하기가 용이하고, 정확한 단층 구조 라벨을 함께 제작할 수 있다는 장점이 있다. 합성 자료로 훈련시킨 모델을 사용해 현장 자료를 해석하기 위해서는 모델 훈련에 사용한 합성 자료가 지질학적으로 현실적이어야 한다. 이 연구에서는 실제 현장 자료와 유사한 합성 자료 제작을 위한 기술을 소개한다. 먼저 현실적인 단층 구조가 포함된 반사계수 모델을 제작한 후 일방향 파동 방정식 모델링을 적용해 효율적으로 겹쌓기 단면을 생성한다. 생성된 겹쌓기 단면에 참반사보정을 적용해 회절파의 영향을 제거하고, 무작위 잡음을 추가함으로써 현장 자료와 비슷한 형태의 합성 자료를 생성할 수 있다. 생성한 합성 자료를 U-Net 구조의 합성곱 신경망 모델에 적용하여 검증한 결과, 현실적으로 만들어진 합성 자료는 현장 자료에 적용이 가능한 딥러닝 모델을 효과적으로 훈련시킬 수 있다는 것을 확인하였다.

Abstract ▼ AI-Helper

Fault detection in seismic data is well suited to the application of machine learning algorithms. Accordingly, various machine learning techniques are being developed. In recent studies, machine learning models, which utilize synthetic data, are the particular focus when training with deep learning. The use of synthetic training data has many advantages; Securing massive data for training becomes easy and generating exact fault labels is possible with the help of synthetic training data. To interpret real data with the model trained by synthetic data, the synthetic data used for training should be geologically realistic. In this study, we introduce a method to generate realistic synthetic seismic data. Initially, reflectivity models are generated to include realistic fault structures, and then, a one-way wave equation is applied to efficiently generate seismic stack sections. Next, a migration algorithm is used to remove diffraction artifacts and random noise is added to mimic actual field data. A convolutional neural network model based on the U-Net structure is used to verify the generated synthetic data set. From the results of the experiment, we confirm that realistic synthetic data effectively creates a deep learning model that can be applied to field data.

주제어

표/그림 (13)

그림 Fig. 1. (a) Schematic representation of a flat reflectivity model parameterized by a set of nodes. (b) An exemplary flat reflectivity model.
그림 Fig. 2. (a) Schematic representation of a folded reflectivity model. (b) An exemplary folded reflectivity model.
그림 Fig. 3. Graph of the displacement function at the fault plane.
그림 Fig. 4. (a) Schematic representation of a faulted reflectivity model. (b) An exemplary reflectivity model including listric faults.
그림 Fig. 5. An exploding reflector model illustrating conceptual acquisition geometry. The virtual sources are defined at the interface by the symbol "S," and the receivers are defined by the symbol "G."
그림 Fig. 6. A one-way wave equation modeling result (which mimics a zero-offset section or equivalently stack section) of the reflectivity model shown in Fig. 4b.
그림 Fig. 7. A migrated section obtained from the stack section shown in Fig. 6. The applied migration algorithm is a phase-shift migration (poststack time migration).
그림 Fig. 8. A migrated section with the fault label overlaid, as shown in Fig. 7.
그림 Fig. 9. A migrated section with added random noise.
그림 Fig. 10. The architecture of a CNN model designed for fault detection.
그림 Fig. 11. Examples of seismic sections used for CNN model training.
그림 Fig. 12. Changes in the loss function values along the epochs.
그림 Fig. 13. (a)-(f) Test patches extracted from the migrated section with the fault label are shown in (a), (c), and (e), and the prediction results are illustrated in (b), (d), and (f).

참고문헌 (21)

An, Y., Guo, J., Ye, Q., Childs, C., Walsh, J., and Dong, R., 2021, Deep convolutional neural network for automatic fault recognition from 3D seismic datasets, Comput. Geosci., 153, 104776, doi: 10.1016/j.cageo.2021.104776.

상세보기
Chang, D., Yong, X., Yang, W., Wang, Y., and Guo, T. C., 2019, U_Net & Residual Neural Networks for Seismic Fault Interpretation, 81st Ann. Internat. Mtg., Eur. Assn. Geosci. Eng., Conference Proceedings, doi: 10.3997/2214-4609.201901387.
Cunha, A., Pochet, A., Lopes, H., and Gattass, M., 2020, Seismic fault detection in real data using transfer learning from a convolutional neural network pre-trained with synthetic seismic data, Comput. Geosci., 135, 104344, doi: 10.1016/j.cageo.2019.104344.

상세보기
Gazdag, J., 1978, Wave equation migration with the phase-shift method, Geophysics, 43(7), 1342-1351, doi: 10.1190/1.1440899.

상세보기
Guillon, S., Joncour, F., Goutorbe, P., and Castanie, L., 2019, Reducing training dataset bias for automatic fault detection, 89th Ann. Internat. Mtg., Soc. Expl. Geophys., Expanded Abstract, 2423-2427, doi: 10.1190/segam2019-3216557.1.
Hale, D., 2014, Seismic image processing for geologic faults, https://github.com/dhale/ipf (July 29, 2021, Accessed)
Kallweit, R. S., and Wood, L. C., 1982, The limits of resolution of zero-phase wavelets, Geophysics, 47(7), 1035-1046, doi: 10.1190/1.1441367.

상세보기
Lee, M. W., and Suh, S. Y., 1985, Optimization of one-way wave equations, Geophysics, 50(10), 1634-1637, doi: 10.1190/1.1441853.

상세보기
Li, S., Yang, C., Sun, H., and Zhang, H., 2019, Seismic fault detection using an encoder-decoder convolutional neural network with a small training set, J. Geophys. Eng., 16(1), 175-189, doi: 10.1093/jge/gxy015.

상세보기
Liu, N., He, T., Tian, Y., Wu, B., Gao, J., and Xu, Z., 2020, Common-azimuth seismic data fault analysis using residual UNet, Interpretation, 8(3), SM25-SM37, doi: 10.1190/INT2019-0173.1.
Pochet, A., Diniz, P. H., Lopes, H., and Gattass, M., 2019, Seismic fault detection using convolutional neural networks trained on synthetic poststacked amplitude maps, IEEE Geosci. Remote Sens. Lett., 16(3), 352-356, doi: 10.1109/LGRS.2018.2875836.

상세보기
Qi, J., Lyu, B., Wu, X., and Marfurt, K., 2020, Comparing convolutional neural networking and image processing seismic fault detection methods, 90th Ann. Internat. Mtg., Soc. Expl. Geophys., Expanded Abstract, 1111-1115, doi: 10.1190/segam2020-3428171.1.
Qi, J., Machado, G., and Marfurt, K., 2017, A workflow to skeletonize faults and stratigraphic features, Geophysics, 82(4), O57-O70, doi: 10.1190/geo2016-0641.1.

상세보기
Ren, Y., Nie, L., Yang, S., Jiang, P., and Chen, Y., 2021, Building complex seismic velocity models for deep learning inversion, IEEE Access, 9, 63767-63778, doi: 10.1109/ACCESS.2021.3051159.

상세보기
Ricker, N., 1953, Wavelet contraction, wavelet expansion and the control of seismic resolution, Geophysics, 18, 769-792, doi: 10.1190/1.1437927.

상세보기
Ronneberger, O., Fischer, P., and Brox, T., 2015, U-net: Convolutional networks for biomedical image segmentation, Med Image Comput Comput Assist Interv, 234-241, doi: 10.1007/978-3-319-24574-4_28.
Wu, X., Geng, Z., Shi, Y., Pham, N., Fomel, S., and Caumon, G., 2020, Building realistic structure models to train convolutional neural networks for seismic structural interpretation, Geophysics, 85(4), WA27-WA39, doi: 10.1190/geo2019-0375.1.

상세보기
Wu, X., Liang, L., Shi, Y., and Fomel, S., 2019, FaultSeg3D: Using synthetic data sets to train an end-to-end convolutional neural network for 3D seismic fault segmentation, Geophysics, 84(3), IM35-IM45, doi: 10.1190/geo2018-0646.1.

상세보기
Xiong, W., Ji, X., Ma, Y., Wang, Y., AlBinHassan, N. M., Ali, M. N., and Luo, Y., 2018, Seismic fault detection with convolutional neural network, Geophysics, 83(5), O97-O103, doi: 10.1190/geo2017-0666.1.

상세보기
Yilmaz, O., 2001, Seismic data analysis, Tulsa, OK: Society of exploration geophysicists, doi: 10.1190/1.9781560801580.
Yuan, C., Cai, M., Lu, F., Li, H., and Li, G., 2020, 3D Fault Detection Based on GCS-Net, 82nd Ann. Internat. Mtg., Eur. Assn. Geosci. Eng., Conference Proceedings, doi: 10.3997/2214-4609.202010699.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증