[논문]라플라스 영역 파동장을 이용한 딥러닝 탄성파 역산

조준현; 하완수

doi:10.7582/gge.2023.26.2.084

라플라스 영역 파동장을 이용한 딥러닝 탄성파 역산
Deep-Learning Seismic Inversion using Laplace-domain wavefields 원문보기

지구물리와 물리탐사 = Geophysics and geophysical exploration, v.26 no.2, 2023년, pp.84 - 93

조준현 (부경대학교 에너지자원공학과) , 하완수 (부경대학교 에너지자원공학과)

초록
AI-Helper

지도 학습 기반 딥러닝 탄성파 역산은 소규모 영역을 대상으로 하는 합성 자료 예제에서 성공적인 역산 성능을 보여주었다. 지도 학습 기반 딥러닝 탄성파 역산은 시간 영역 파동장을 입력, 지하 속도 모델을 출력으로 사용하는데, 시간 영역 파동장은 다양한 파동 정보를 포함하고 있어 자료의 크기가 상당히 크다. 따라서 대량의 데이터로 훈련하는 지도 학습 기반 딥러닝 탄성파 역산을 현장 규모의 자료에 적용하는 연구는 아직까지 수행되지 못하고 있다. 본 연구에서는 지도 학습 기반 딥러닝 탄성파 역산 기법을 현장 규모의 자료에 적용하기 위해 시간 영역 파동장 대신 라플라스 영역 파동장을 입력으로 사용하여 지하 속도 모델을 예측하였다. 시간 영역 파동장 대신 라플라스 영역 파동장을 사용하면 결과의 해상도는 다소 떨어지지만 입력 자료의 크기가 크게 감소하여 신경망 훈련이 빨라지게 된다. 또한, 큰 격자 간격을 사용할 수 있어 현장 자료 크기의 속도 모델을 효율적으로 예측할 수 있으며 이를 통해 얻은 결과는 후속 역산의 초기 모델로 사용될 수 있다. 신경망 훈련을 위해 현장 자료 크기를 가지는 대량의 합성 속도 모델과 라플라스 영역 파동장을 생성한 후 인공 합성 자료만으로 신경망을 훈련시켰다. 또한, 해양 탄성파 탐사를 시뮬레이션하기 위해 견인 스트리머 취득 조건을 채택하였다. 테스트 자료와 벤치마크 모델을 이용한 수치 예제에서 훈련된 신경망을 테스트한 결과, 적절한 배경 속도 모델들을 얻을 수 있었다.

Abstract ▼ AI-Helper

The supervised learning-based deep-learning seismic inversion techniques have demonstrated successful performance in synthetic data examples targeting small-scale areas. The supervised learning-based deep-learning seismic inversion uses time-domain wavefields as input and subsurface velocity models as output. Because the time-domain wavefields contain various types of wave information, the data size is considerably large. Therefore, research applying supervised learning-based deep-learning seismic inversion trained with a significant amount of field-scale data has not yet been conducted. In this study, we predict subsurface velocity models using Laplace-domain wavefields as input instead of time-domain wavefields to apply a supervised learning-based deep-learning seismic inversion technique to field-scale data. Using Laplace-domain wavefields instead of time-domain wavefields significantly reduces the size of the input data, thereby accelerating the neural network training, although the resolution of the results is reduced. Additionally, a large grid interval can be used to efficiently predict the velocity model of the field data size, and the results obtained can be used as the initial model for subsequent inversions. The neural network is trained using only synthetic data by generating a massive synthetic velocity model and Laplace-domain wavefields of the same size as the field-scale data. In addition, we adopt a towed-streamer acquisition geometry to simulate a marine seismic survey. Testing the trained network on numerical examples using the test data and a benchmark model yielded appropriate background velocity models.

주제어

표/그림 (8)

그림 Fig. 1. Architecture of Tomography_CNN. The ConvBlock in the model performs two convolution operations, including batch normalization, ReLU activation, and 5 × 5 depthwise separable convolutions. A dropout layer is implemented to randomly eliminate 50% of the features obtained from the encoder. A sigmoid function is applied to the last layer to constrain the range of the output velocity values.
표 Table 1. The input (N_s × N_r × N_t) and output (N_x × N_z) dimensions used in previous studies that focused on supervised learning-based deeplearning seismic inversion. The last row contains the input and output dimensions used in this study for comparison.
그림 Fig. 2. Examples of velocity models in training data. A total of 40,000 synthetic velocity models are categorized into three classes: (a) stratigraphic, (b) fault structure, and (c) salt structure models.
그림 Fig. 3. Examples of Laplace-domain wavefields using two-dimensional towed streamer acquisition. The acquisition configuration comprises an array of 200 sources and 100 receivers; (a) represents the input data measuring 320 × 200, which are to be fed into the network; (b) shows the original Laplace-domain wavefields; and (c) shows the Laplace-domain wavefields generated by the 1st, 50th, 100th, 150th, and 200th sources with a Laplace damping constant of 4 s^-1.
그림 Fig. 4. Training and validation loss curves of Tomography_CNN: (a) shows the overall loss curve, whereas (b), (c), and (d) represent the mean absolute error, mean squared error, and structural similarity index, respectively.
그림 Fig. 5. Prediction results for the test dataset. The left column (a) shows the ground truth or label, and the right column (b) shows the predicted output of Tomography_CNN.
표 Table 2. The loss values of Tomography_CNN after training is compled.
그림 Fig. 6. The prediction result of the Pluto velocity model (Stoughton et al., 2001). (a) Ground truth and (b) predicted output generated by Tomography_CNN.

참고문헌 (21)

Araya-Polo, M., Ferris, S., and Florez, M., 2019, Deep learning-driven velocity model building workflow, Lead. Edge.,？38(11), 872a1-872a9. doi: 10.1190/tle38110872a1.1

상세보기
Cohen, G., 2002, High-order numerical methods for transient？wave equations, Springer, 307-320. https://hal.science/hal-01166961
Gauthier, O., Virieux, J., and Tarantola, A., 1986, Two-dimensional nonlinear inversion of seismic waveforms:？Numerical results, Geophysics, 51(7), 1387-1403. https://doi.org/10.1190/1.1442188

상세보기
He, K., Zhang, X., Ren, S., and Sun, J., 2015, Delving deep into？rectifiers: Surpassing human-level performance on ImageNet？classification, Proceedings of the IEEE International？Conference on Computer Vision, 1026-1034. https://doi.org/10.48550/arXiv.1502.01852
Jo, J. H., and Ha, W., 2022, Seismic velocity modeling building？using depthwise separable convolutional neural network, J.？Korea Inst. Mineral Mining Eng., 59(2), 148-160. (in Korean？with English abstract) https://doi.org/10.32390/ksmer.2022.59.2.148

상세보기
Li, S., Liu, B., Ren, Y., Chen, Y., Yang, S., Wang, Y., and Jiang,？P., 2020, Deep-learning inversion of seismic data, IEEE？Trans. Geosci. Remote Sens., 58(3), 2135-2149. https://ieeexplore.ieee.org/document/8931232

상세보기
Liu, Z., and Bleistein, N., 1995, Migration velocity analysis:？Theory and an iterative algorithm, Geophysics, 60(1), 142-153. https://doi.org/10.1190/1.1443741

상세보기
Liu, B., Yang, S., Ren, Y., Xu, X., Jiang, P., and Chen, Y., 2021,？Deep-learning seismic full-waveform inversion for realistic？structural models, Geophysics, 86(1), R31-R44. https://doi.org/10.1190/geo2019-0435.1

상세보기
Liu, B., Jiang, P., Wang, Q., Ren, Y., Yang, S., and Cohn, A. G.,？2023, Physics-driven self-supervised learning system for？seismic velocity inversion, Geophysics, 88(2), R145-R161.？https://doi.org/10.1190/geo2021-0302.1

상세보기
Pratt, R. G., and Worthington, M. H., 1990, Inverse theory applied to multi-source cross-hole tomography. Part 1:？acoustic wave-equation method, Geophys. Prospect., 38(3),？287-310. https://doi.org/10.1111/j.1365-2478.1990.tb01846.x

상세보기
Reddi, S. J., Kale, S., and Kumar, S., 2019, On the convergence？of adam and beyond, arXiv preprint arXiv:1904.09237. https://doi.org/10.48550/arXiv.1904.09237
Shin, C., and Cha, Y., 2008, Waveform inversion in the Laplace？domain, Geophys. J. Int., 173(3), 922-931. doi: 10.1111/j.1365-246X.2008.03768.x

상세보기
Stoughton, D., Stefani, J., and Michell, S., 2001, 2D elastic？model for wavefield investigations of subsalt objectives, deep？water Gulf of Mexico, SEG Technical Program Expanded？Abstracts, 1269-1272. https://doi.org/10.1190/1.1816325
Tarantola, A., 1984, Inversion of seismic reflection data in the？acoustic approximation, Geophysics, 49(8), 1259-1266. https://doi.org/10.1190/1.1441754

상세보기
Virieux, J., and Operto, S., 2009, An overview of full-waveform？inversion in exploration geophysics, Geophysics, 74(6),？WCC1-WCC26. https://doi.org/10.1190/1.3238367

상세보기
Wang, W., and Ma, J., 2020, Velocity model building in a？crosswell acquisition geometry with image-trained artificial？neural networks, Geophysics, 85(2), U31-U46. https://doi.org/10.1190/geo2018-0591.1

상세보기
Wang, Z., Bovik, A. C., Sheikh, H. R., and Simoncelli, E. P.,？2004, Image quality assessment: from error visibility to？structural similarity, IEEE Transactions on Image Processing,？13(4), 600-612. https://ieeexplore.ieee.org/document/1284395

상세보기
Yang, F., and Ma, J., 2019, Deep-learning inversion: A next-generation seismic velocity model building method, Geophysics,？84(4), R583-R599. https://doi.org/10.1190/geo2018-0249.1

상세보기
Yilmaz, O., 2001, Seismic data analysis: processing, inversion？and interpretation of seismic data, Vol. I, Soc. Expl.？Geophys., 288-323. doi: 10.1190/1.9781560801580.fm
Zhang, J., Brink, U. S., and Toksoz, M. N., 1998, Nonlinear？refraction and reflection travel time tomography, J. Geophys.？Res. Solid Earth, 103(B12), 29743-29757. https://doi.org/10.1029/98JB01981

상세보기
Zhang, Z., and Lin, Y., 2020, Data-driven seismic waveform？inversion: A study on the robustness and generalization, IEEE？Trans. Geosci. Remote Sens., 58(10), 6900-6913. https://ieeexplore.ieee.org/document/9044635

상세보기

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