ContrasInver: Ultra-Sparse Label Semi-supervised Regression for Multi-dimensional Seismic Inversion

要約

深層学習 (DL) 手法の開発により、地震データの自動解釈と逆変換が大幅に進歩しました。
ただし、これらの方法では多くの場合、高価な坑井ログが必要となるため、その適用は成熟したデータまたは合成データのみに限定されます。
この論文では、わずか 2 ～ 3 本の坑井丸太を使用して地震反転を達成し、現在の要件を大幅に削減する手法である ContrasInver について説明します。
ContrasInver では、極度に疎なラベルを使用した回帰タスクに半教師あり学習を適用するという課題に対処するための 3 つの主要なイノベーションを提案します。
多次元サンプル生成 (MSG) 技術は、多次元反転におけるサンプル生成のパラダイムの先駆者です。
これは、地震データの横方向の連続性を確立しながら、単一の坑井から多数の多様なサンプルを生成します。
MSG は、半教師あり学習を使用しなくても、現在の技術に比べて大幅な改善をもたらします。
地域成長トレーニング (RGT) 戦略は、地震データの固有の連続性を活用し、坑井丸太の近さに基づいて、より近い地域からより遠い地域へと精度を効果的に伝播します。
インピーダンス ベクトル化投影 (IVP) は、インピーダンス値をベクトル化し、圧縮空間で半教師あり学習を実行します。
我々は、この空間から導出されたヤコビ行列が擬似ラベル ベクトル内の一部の外れ値成分をフィルターで除去できることを実証し、それによって半教師あり回帰学習における値の混乱の問題を解決しました。
実験では、ContrasInver は合成データ SEAM I で最先端のパフォーマンスを達成しました。2 つまたは 3 つの坑井ログを含むフィールドデータでは、この論文で提案されたコンポーネントに基づく方法のみが妥当な結果を達成できました。
これは、オランダ F3 とデルフトでそれぞれ 3 つの坑井丸太のみを使用し、2 つの坑井丸太のみを使用して信頼性の高い結果をもたらした最初のデータ駆動型アプローチです。

要約(オリジナル)

The automated interpretation and inversion of seismic data have advanced significantly with the development of Deep Learning (DL) methods. However, these methods often require numerous costly well logs, limiting their application only to mature or synthetic data. This paper presents ContrasInver, a method that achieves seismic inversion using as few as two or three well logs, significantly reducing current requirements. In ContrasInver, we propose three key innovations to address the challenges of applying semi-supervised learning to regression tasks with ultra-sparse labels. The Multi-dimensional Sample Generation (MSG) technique pioneers a paradigm for sample generation in multi-dimensional inversion. It produces a large number of diverse samples from a single well, while establishing lateral continuity in seismic data. MSG yields substantial improvements over current techniques, even without the use of semi-supervised learning. The Region-Growing Training (RGT) strategy leverages the inherent continuity of seismic data, effectively propagating accuracy from closer to more distant regions based on the proximity of well logs. The Impedance Vectorization Projection (IVP) vectorizes impedance values and performs semi-supervised learning in a compressed space. We demonstrated that the Jacobian matrix derived from this space can filter out some outlier components in pseudo-label vectors, thereby solving the value confusion issue in semi-supervised regression learning. In the experiments, ContrasInver achieved state-of-the-art performance in the synthetic data SEAM I. In the field data with two or three well logs, only the methods based on the components proposed in this paper were able to achieve reasonable results. It’s the first data-driven approach yielding reliable results on the Netherlands F3 and Delft, using only three and two well logs respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google