Dissecting U-net for Seismic Application: An In-Depth Study on Deep Learning Multiple Removal

要約

地震処理では、多くの場合、データ収集時に表示される倍数を抑制する必要があります。
これらのアーティファクトに取り組むために、実務家は通常、移行後の収集条件付けとしてラドン変換ベースのアルゴリズムに依存しています。
ただし、このような従来のアプローチは時間がかかり、パラメータに依存するため、かなり複雑になります。
この作業では、使用法の複雑さを軽減し、したがってその適用性を民主化しながら、競争力のある結果を提供するディープラーニングベースの代替案を提示します。
合成のみでトレーニングされているという事実にもかかわらず、複雑なフィールドデータを推測する場合、ネットワークの優れたパフォーマンスを観察します。
さらに、広範な実験により、私たちの提案はデータの固有の特性を保持し、倍数を削除しながら、望ましくない過度に平滑化された結果を回避できることが示されています。
最後に、モデルの詳細な分析を行います。ここでは、物理的なイベントによる主要なハイパーパラメータの影響を特定します。
私たちの知る限り、この研究は、逆多重化プロセスのためのニューラルネットワークの開封を開拓し、ユーザーがネットワークの内部実行についての洞察を得るのを支援します。

要約(オリジナル)

Seismic processing often requires suppressing multiples that appear when collecting data. To tackle these artifacts, practitioners usually rely on Radon transform-based algorithms as post-migration gather conditioning. However, such traditional approaches are both time-consuming and parameter-dependent, making them fairly complex. In this work, we present a deep learning-based alternative that provides competitive results, while reducing its usage’s complexity, and hence democratizing its applicability. We observe an excellent performance of our network when inferring complex field data, despite the fact of being solely trained on synthetics. Furthermore, extensive experiments show that our proposal can preserve the inherent characteristics of the data, avoiding undesired over-smoothed results, while removing the multiples. Finally, we conduct an in-depth analysis of the model, where we pinpoint the effects of the main hyperparameters with physical events. To the best of our knowledge, this study pioneers the unboxing of neural networks for the demultiple process, helping the user to gain insights into the inside running of the network.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google