Geophysics and Geophysical Exploration (지구물리와물리탐사)

Korean Society of Earth and Exploration Geophysicists (한국지구물리·물리탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Deep-Learning Seismic Inversion using Laplace-domain wavefields

라플라스 영역 파동장을 이용한 딥러닝 탄성파 역산

  • Jun Hyeon Jo (Department of Energy Resources Engineering, Pukyong National University) ;
  • Wansoo Ha (Department of Energy Resources Engineering, Pukyong National University)
  • 조준현 (부경대학교 에너지자원공학과) ;
  • 하완수 (부경대학교 에너지자원공학과)
  • Received : 2023.04.20
  • Accepted : 2023.05.15
  • Published : 2023.05.31
Download PDF
⟨ Previous Next ⟩

Abstract

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.

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.

Keywords

Acknowledgement

이 성과는 2021년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. 2021R1F1A1064432).

References

  1. 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
  2. Cohen, G., 2002, High-order numerical methods for transient wave equations, Springer, 307-320. https://hal.science/hal-01166961
  3. 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
  4. 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
  5. 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
  6. 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 https://doi.org/10.1109/TGRS.2019.2953473
  7. 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
  8. 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
  9. 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
  10. 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
  11. 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
  12. 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
  13. 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
  14. Tarantola, A., 1984, Inversion of seismic reflection data in the acoustic approximation, Geophysics, 49(8), 1259-1266. https://doi.org/10.1190/1.1441754
  15. 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
  16. 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
  17. 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 https://doi.org/10.1109/TIP.2003.819861
  18. 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
  19. 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
  20. 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
  21. 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 https://doi.org/10.1109/TGRS.2020.2977635