A convolutional neural network approach to deblending seismic data

要約

経済性と効率性の理由から、地震データの混合取得はますます一般的になってきています。
耐震デブレンディング法は常に計算量が多く、通常は複数の処理ステップで構成されます。
さらに、パラメータ設定は必ずしも簡単ではありません。
機械学習ベースの処理は、処理時間を大幅に短縮し、地震によるデブレンディングの実行方法を変える可能性があります。
我々は、高速かつ効率的な地震デブレンディングのためのデータ駆動型ディープラーニングベースの手法を紹介します。
ブレンドされたデータは、共通のソースから共通のチャネル ドメインまでソートされ、ブレンド ノイズの特性がコヒーレントなイベントからインコヒーレントな分布に変換されます。
畳み込みニューラル ネットワーク (CNN) は、地震データの特殊な特性に従って設計されており、従来の業界のデブレンディング アルゴリズムで得られる結果と同等の結果でデブレンディングを実行します。
信頼性を確保するために、ブレンディングは数値的に行われ、20,000 を超えるトレーニング例を含む現場の地震データのみが使用されました。
ネットワークのトレーニングと検証後、地震によるデブレンディングをほぼリアルタイムで実行できます。
実験では、初期信号対雑音比 (SNR) が最終的なデブレンド結果の品質を制御する主な要因であることも示しています。
また、トレーニングされたモデルを使用して、最初にわずかに異なる遅延時間設定で異なる地質領域からの新しいデータセットをデブレンドし、次にデータの上部にブレンディング ノイズを含むショットをデブレンドすることにより、ネットワークが堅牢で適応性があることも実証されています。

要約(オリジナル)

For economic and efficiency reasons, blended acquisition of seismic data is becoming more and more commonplace. Seismic deblending methods are always computationally demanding and normally consist of multiple processing steps. Besides, the parameter setting is not always trivial. Machine learning-based processing has the potential to significantly reduce processing time and to change the way seismic deblending is carried out. We present a data-driven deep learning-based method for fast and efficient seismic deblending. The blended data are sorted from the common source to the common channel domain to transform the character of the blending noise from coherent events to incoherent distributions. A convolutional neural network (CNN) is designed according to the special character of seismic data, and performs deblending with comparable results to those obtained with conventional industry deblending algorithms. To ensure authenticity, the blending was done numerically and only field seismic data were employed, including more than 20000 training examples. After training and validation of the network, seismic deblending can be performed in near real time. Experiments also show that the initial signal to noise ratio (SNR) is the major factor controlling the quality of the final deblended result. The network is also demonstrated to be robust and adaptive by using the trained model to firstly deblend a new data set from a different geological area with a slightly different delay time setting, and secondly deblend shots with blending noise in the top part of the data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google