Seismic First Break Picking in a Higher Dimension Using Deep Graph Learning

要約

現在の自動ファースト ブレーク (FB) ピッキング手法は通常、1D 信号、2D ソース ギャザー、または 3D ソース レシーバー ギャザーを分析します。
2D や 3D などの高次元データを利用すると、グローバルな機能が組み込まれ、ローカル ピッキングの安定性が向上します。
このような利点にもかかわらず、高次元データには構造化された入力が必要であり、計算需要が増加します。
これに対処するために、私たちは DGL-FB と呼ばれる深層グラフ学習を使用し、大規模なグラフを構築して効率的に情報を抽出する新しいアプローチを提案します。
このグラフでは、各地震痕跡がノードとして表され、類似点を反映するエッジで接続されています。
グラフのサイズを管理するために、モデルのトレーニングと推論を合理化するサブグラフ サンプリング手法を開発します。
私たちが提案するフレームワークである DGL-FB は、FB ピッキングにディープ グラフ学習を活用しています。
ディープ グラフ エンコーダーを使用してサブグラフをグローバル特徴にエンコードします。
その後、エンコードされたグローバル特徴はローカル ノード信号と結合され、FB 検出のために ResUNet ベースの 1D セグメンテーション ネットワークに供給されます。
DGL-FB の現地調査評価では、2D U-Net ベースのベンチマーク手法と比較して優れた精度と安定性が示されています。

要約(オリジナル)

Contemporary automatic first break (FB) picking methods typically analyze 1D signals, 2D source gathers, or 3D source-receiver gathers. Utilizing higher-dimensional data, such as 2D or 3D, incorporates global features, improving the stability of local picking. Despite the benefits, high-dimensional data requires structured input and increases computational demands. Addressing this, we propose a novel approach using deep graph learning called DGL-FB, constructing a large graph to efficiently extract information. In this graph, each seismic trace is represented as a node, connected by edges that reflect similarities. To manage the size of the graph, we develop a subgraph sampling technique to streamline model training and inference. Our proposed framework, DGL-FB, leverages deep graph learning for FB picking. It encodes subgraphs into global features using a deep graph encoder. Subsequently, the encoded global features are combined with local node signals and fed into a ResUNet-based 1D segmentation network for FB detection. Field survey evaluations of DGL-FB show superior accuracy and stability compared to a 2D U-Net-based benchmark method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google