Complete identification of complex salt geometries from inaccurate migrated subsurface offset gathers using deep learning

要約

塩水噴霧画像からの塩水噴霧の判定は、人手による高度な解析に依存しており、解釈の誤りや利用可能な手法の制限に左右されるため、時間のかかる作業である。我々は、不正確な速度モデル（堆積物速度の合理的な近似を持つが、塩包有物はない）から生成された移行画像を使用して、畳み込みニューラルネットワーク（CNN）を使用して正しい塩包有物の形状を予測することを提案する。我々のアプローチは、ゼロオフセットの周りに堆積物の反射を集中させ、大きなオフセットに塩の反射のエネルギーを広げるために、地下の共通画像ギャザーに依存しています。合成データを用いて、我々はU-Netを訓練し、共通オフセットの地下画像をCNNの入力チャンネルとして、正しい塩マスクをネットワークの出力として使用した。このネットワークは、高い精度で塩類含有物のマスクを予測することを学習し、さらに、これまで導入されていなかった合成ベンチマークデータセットに適用しても、良好な結果を得た。このような学習プロセスにより、U-Netは部分的に集光された地下のオフセット画像から複雑な塩体の形状をうまく学習するように調整されました。

要約(オリジナル)

Delimiting salt inclusions from migrated images is a time-consuming activity that relies on highly human-curated analysis and is subject to interpretation errors or limitations of the methods available. We propose to use migrated images produced from an inaccurate velocity model (with a reasonable approximation of sediment velocity, but without salt inclusions) to predict the correct salt inclusions shape using a Convolutional Neural Network (CNN). Our approach relies on subsurface Common Image Gathers to focus the sediments’ reflections around the zero offset and to spread the energy of salt reflections over large offsets. Using synthetic data, we trained a U-Net to use common-offset subsurface images as input channels for the CNN and the correct salt-masks as network output. The network learned to predict the salt inclusions masks with high accuracy; moreover, it also performed well when applied to synthetic benchmark data sets that were not previously introduced. Our training process tuned the U-Net to successfully learn the shape of complex salt bodies from partially focused subsurface offset images.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL