깊이별 분리 합성곱 신경망을 이용한 탄성파 속도 모델 구축 = Seismic Velocity Modeling Building Using Depthwise Separable Convolutional Neural Network

국문 초록 (Abstract)

정확한 속도 모델 구축은 석유 가스 탐사를 위한 탄성파 자료처리에서 가장 중요한 작업 중 하나이다. 최근 심층 신경망 기법이 지구물리학 분야에서 큰 인기를 얻으면서, 일반 합성곱 신경망을 이용하여 속도 모델을 예측하는 연구들이 출판되고 있다. 본 연구에서는 속도 모델 구축을 위해 깊이별분리 합성곱 층과 인코더-디코더 구조를 가진 신경망을 제안하였다. 이 신경망은 지도 학습 방식으로 훈련되며 시간 영역 파동장으로부터 P파 속도 모델을 예측한다. 이 신경망 구조의 핵심 부분인깊이별 분리 합성곱은 입력 채널 별로 독립적으로 공간 방향의 합성곱을 수행한다. 깊이별 분리 합성곱을 이용하면 일반 합성곱에 비해 모델 매개변수 수를 크게 줄이면서 신경망의 성능을 개선할수 있다. 훈련을 위해 생성한 합성 속도 모델들은 습곡, 단층 및 암염 구조 등 다양한 지질학적 특징을 포함한다. 깊이별 분리 합성곱을 이용한 신경망과 일반 합성곱을 이용한 신경망을 동일한 하이퍼파라미터 및 훈련 조건으로 비교 분석하였다. 실험 결과 깊이별 분리 합성곱 신경망이 일반 합성곱 신경망보다 속도 모델 구축 문제에서 더 효율적인 것으로 나타났다.

참고문헌 (Reference)

1 Chollet, F., "Xception: Deep learning with depthwise separable convolutions" 1251-1258, 2017

2 Shin, C., "Waveform inversion in the Laplace domain" 173 : 922-931, 2008

3 Wang, W., "Velocity model building in a crosswell acquisition geometry with image-trained artificial neural networks" 85 : U31-U46, 2020

4 Hornik, K., "Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks" 3 : 551-560, 1990

5 Glorot, X., "Understanding the difficulty of training deep feedforward neural networks" 9 : 249-256, 2010

6 Gauthier, O., "Two-dimensional nonlinear inversion of seismic waveforms: Numerical results" 51 : 1387-1403, 1986

7 Baysal, E., "Reverse time migration" 48 : 1514-1524, 1983

8 Mora, P., "Nonlinear two-dimensional elastic inversion of multioffset seismic data" 52 : 1211-1228, 1987

9 Zhang, J., "Nonlinear refraction and reflection travel time tomography" 103 : 29743-29757, 1998

10 Bunks, C., "Multiscale seismic waveform inversion" 60 : 1457-1473, 1995

11 Wu, Y., "InversionNet: A real-time and accurate full waveform inversion with CNNs and continuous CRFs"

12 Tarantola, A., "Inversion of seismic reflection data in the acoustic approximation" 49 : 1259-1266, 1984

13 Pratt, R.G., "Inverse theory applied to multi-source cross-hole tomography. Part 1: acoustic wave-equation method" 38 : 287-310, 1990

14 Wang, Z., "Image quality assessment: from error visibility to structural similarity" 13 : 600-612, 2004

15 Pratt, R. G., "Gauss-Newton and full Newton methods in frequency-space seismic waveform inversion" 133 : 341-362, 1998

16 Kaiser, L., "Depthwise separable convolutions for neural machine translation"

17 Liu, B., "Deep-learning seismic full-waveform inversion for realistic structural models" 86 : R31-R44, 2021

18 Yang, F., "Deep-learning inversion: A next-generation seismic velocity model building method" 84 : R583-R599, 2019

19 Li, S., "Deep-learning inversion of seismic data" 58 : 2135-2149, 2020

20 Chollet, F., "Deep Learning with Python" Manning 261-263, 2017

21 Odena, A., "Deconvolution and checkerboard artifacts" 1 (1): e3-, 2016

22 Zhang, Z., "Data-driven seismic waveform inversion: A study on the robustness and generalization" 58 : 6900-6913, 2020

23 Loffe, S., "Batch normalization: Accelerating deep network training by reducing internal covariate shift" 37 : 448-456, 2015

24 Virieux, J., "An overview of full-waveform inversion in exploration geophysics" 74 : WCC1-WCC26, 2009

25 Kingma, D.P., "Adam: A method for stochastic optimization" 1-15, 2015

26 Keys, R. G., "Absorbing boundary conditions for acoustic media" 50 : 892-902, 1985