Controllable seismic velocity synthesis using generative diffusion models

要約

正確な地震波速度の推定は、地球の地下構造の理解、天然資源の評価、地震の危険性の評価に不可欠です。
機械学習ベースの反転アルゴリズムは、地域的 (つまり、探査用) および地球規模の速度推定において有望なパフォーマンスを示していますが、その有効性は、分布が一般的にターゲットのソリューションをカバーする大規模で多様なトレーニング データセットへのアクセスにかかっています。
さらに、速度推定の精度と信頼性を高めるには、地質分類、坑井ログ、地下構造などの事前情報を組み込む必要もありますが、現在の統計的またはニューラルネットワークベースの方法は、そのようなマルチモーダルな情報を処理できるほど柔軟性がありません。
両方の課題に対処するために、地震波速度合成に条件付き生成拡散モデルを使用することを提案します。これには、これらの事前分布を容易に組み込むことができます。
このアプローチにより、予想されるターゲット分布に厳密に一致する地震速度の生成が可能になり、専門知識と測定データの両方から情報を得たデータセットを提供して、データ駆動型地球物理学的手法のトレーニングをサポートします。
クラスラベル、坑井ログ、反射率画像、およびこれらの事前分布の組み合わせなど、さまざまな条件下で OpenFWI データセット上で拡散モデルをトレーニングすることにより、この方法の柔軟性と有効性を実証します。
分布外条件下でのこのアプローチのパフォーマンスは、その一般化能力をさらに強調し、速度逆問題に合わせた事前分布を提供し、機械学習ベースの地球物理学アプリケーション向けの特定のトレーニング データセットを作成する可能性を示しています。

要約(オリジナル)

Accurate seismic velocity estimations are vital to understanding Earth’s subsurface structures, assessing natural resources, and evaluating seismic hazards. Machine learning-based inversion algorithms have shown promising performance in regional (i.e., for exploration) and global velocity estimation, while their effectiveness hinges on access to large and diverse training datasets whose distributions generally cover the target solutions. Additionally, enhancing the precision and reliability of velocity estimation also requires incorporating prior information, e.g., geological classes, well logs, and subsurface structures, but current statistical or neural network-based methods are not flexible enough to handle such multi-modal information. To address both challenges, we propose to use conditional generative diffusion models for seismic velocity synthesis, in which we readily incorporate those priors. This approach enables the generation of seismic velocities that closely match the expected target distribution, offering datasets informed by both expert knowledge and measured data to support training for data-driven geophysical methods. We demonstrate the flexibility and effectiveness of our method through training diffusion models on the OpenFWI dataset under various conditions, including class labels, well logs, reflectivity images, and the combination of these priors. The performance of the approach under out-of-distribution conditions further underscores its generalization ability, showcasing its potential to provide tailored priors for velocity inverse problems and create specific training datasets for machine learning-based geophysical applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google