Machine learning-enabled velocity model building with uncertainty quantification

要約

移動速度モデルを正確に特徴付けることは、炭化水素探査から CO2 隔離プロジェクトのモニタリングに至るまで、幅広い地球物理学的用途にとって重要です。
全波形反転 (FWI) などの従来の速度モデル構築方法は強力ですが、ノイズ、帯域幅の制限、受信機の開口部、計算上の制約など、逆問題に固有の複雑さに苦戦することがよくあります。
これらの課題に対処するために、私たちは、拡散ネットワークの形式での生成モデリングと物理学に基づいた要約統計量を統合し、フィールド データセットを含む複雑なイメージング問題に適したスケーラブルな方法論を提案します。
不十分な初速度モデルの表面下オフセット画像ボリュームの観点からこれらの要約統計量を定義することにより、私たちのアプローチは、不確実性の有用な評価を提供する移動速度モデルのベイジアン事後サンプルの計算効率の高い生成を可能にします。
私たちのアプローチを検証するために、推定された速度モデルの品質と推定された不確実性の品質を測定する一連のテストを導入します。
最新の合成データセットを使用すると、表面下の画像収集を条件付け観測対象として使用することで得られる利点を再確認できます。
塩を含む複雑な速度モデルの構築については、塩浸水による償却事後近似を改良する新しい反復ワークフローを提案し、速度モデルの不確実性が最終製品の逆時間移動画像にどのように伝播されるかを実証します。
最後に、フィールド データセットに関する概念実証を示し、私たちの手法が業界規模の問題に拡張できることを示します。

要約(オリジナル)

Accurately characterizing migration velocity models is crucial for a wide range of geophysical applications, from hydrocarbon exploration to monitoring of CO2 sequestration projects. Traditional velocity model building methods such as Full-Waveform Inversion (FWI) are powerful but often struggle with the inherent complexities of the inverse problem, including noise, limited bandwidth, receiver aperture and computational constraints. To address these challenges, we propose a scalable methodology that integrates generative modeling, in the form of Diffusion networks, with physics-informed summary statistics, making it suitable for complicated imaging problems including field datasets. By defining these summary statistics in terms of subsurface-offset image volumes for poor initial velocity models, our approach allows for computationally efficient generation of Bayesian posterior samples for migration velocity models that offer a useful assessment of uncertainty. To validate our approach, we introduce a battery of tests that measure the quality of the inferred velocity models, as well as the quality of the inferred uncertainties. With modern synthetic datasets, we reconfirm gains from using subsurface-image gathers as the conditioning observable. For complex velocity model building involving salt, we propose a new iterative workflow that refines amortized posterior approximations with salt flooding and demonstrate how the uncertainty in the velocity model can be propagated to the final product reverse time migrated images. Finally, we present a proof of concept on field datasets to show that our method can scale to industry-sized problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google