要約
プリスタックギャザーの初回到着時刻をピッキングすることをFAT（First Arrival Time）ピッキングと呼び、地震データ処理に不可欠な作業であり、従来は主に人手で解決していた。しかし、地震データの収集密度が高まっている現在、手動ピッキングの効率は実際のニーズに応えられなくなってきています。そのため、ここ数十年で自動ピッキングの手法が大きく発展しており、特にディープラーニングに基づく手法が注目されています。しかし、現在の教師付き深層学習ベースの手法は、ラベル付きサンプルへの依存を避けられるものはほとんどありません。また、収集データは自然画像とは大きく異なる信号の集合であるため、信号対雑音比（SNR）が低い場合、現在の手法ではFATピッキング問題を解決することが困難である。本論文では、硬岩地震探査データを対象に、作業現場間の汎化問題と低SNR時のピッキング問題を解決する多段階セグメンテーションピックアップネットワーク(MSSPN)を提案する。MSSPNでは、粗いものから細かいものまで4段階に想定した人手によるピッキング処理をシミュレートするために、4つのサブモデルを用意する。特に、SNRが中程度と高い場合には、現場横断的なピッキングの精度が90%以上となり、SNRが低いデータセットでは、モデルを微調整することで88%の精度を達成することが可能となった。
要約(オリジナル)
Picking the first arrival times of prestack gathers is called First Arrival Time (FAT) picking, which is an indispensable step in seismic data processing, and is mainly solved manually in the past. With the current increasing density of seismic data collection, the efficiency of manual picking has been unable to meet the actual needs. Therefore, automatic picking methods have been greatly developed in recent decades, especially those based on deep learning. However, few of the current supervised deep learning-based method can avoid the dependence on labeled samples. Besides, since the gather data is a set of signals which are greatly different from the natural images, it is difficult for the current method to solve the FAT picking problem in case of a low Signal to Noise Ratio (SNR). In this paper, for hard rock seismic gather data, we propose a Multi-Stage Segmentation Pickup Network (MSSPN), which solves the generalization problem across worksites and the picking problem in the case of low SNR. In MSSPN, there are four sub-models to simulate the manually picking processing, which is assumed to four stages from coarse to fine. Experiments on seven field datasets with different qualities show that our MSSPN outperforms benchmarks by a large margin.Particularly, our method can achieve more than 90\% accurate picking across worksites in the case of medium and high SNRs, and even fine-tuned model can achieve 88\% accurate picking of the dataset with low SNR.
arxiv情報
| 著者 | Hongtao Wang,Jiangshe Zhang,Xiaoli Wei,Chunxia Zhang,Zhenbo Guo,Li Long,Yicheng Wang |
| 発行日 | 2022-09-07 13:30:51+00:00 |
| arxivサイト | arxiv_id(pdf) |