ContrasInver: Voxel-wise Contrastive Semi-supervised Learning for Seismic Inversion

要約

最近の研究は、学習理論が炭化水素探査において非常に成功していることを示しています。
1D 坑井丸太と 3D 地震の関係による地震のさまざまな属性への反転は、貯留層の記述における重要なステップであり、その中で音響インピーダンスは最も重要な属性の 1 つであり、現在のディープラーニングベースのインピーダンス反転は有望な結果を得ていますが、
多くの実用的な調査では受け入れられない多数のログ (1D ラベル、通常は反転ごとに 30 以上のログが必要) に依存しています。
この作業では、3D ボリューム データからスパース 1D ラベルを学習するための回帰タスクとして音響インピーダンスの反転を定義し、スパース ラベルの下の回帰タスクのためのボクセル単位の半教師付き対照学習フレームワーク、ContrasInver を提案します。
ConstraInver は、3D 地震データ インバージョン用の新しい事前トレーニング方法、グローバルに十分なログ情報を拡散するための対照的な半教師付き戦略、対照的な学習ベースの連続値ベクトル化特性化方法など、いくつかの重要なコンポーネントで構成されています。
回帰タスク、およびトレーニング効率を改善するための距離 TopK サンプリング方法も設計しました。
各コンポーネントの有効性を検証するために、SEAM フェーズ I 合成データに対して完全なアブレーション研究を実行し、このデータに対する現在の主流の方法と私たちのアプローチを比較しました。私たちのアプローチは非常に大きな利点を示しました。
このデータでは、0.92 の SSIM と 0.079 の MSE を 4 つのウェルログのみで達成しました。
ConstraInver は、F3 オランダ (4 つの坑井ログのみ) と Delft (3 つの坑井ログのみ) の 2 つの古典的なフィールド データを反転する最初の純粋にデータ駆動型のアプローチであり、非常に合理的で信頼できる結果を達成します。

要約(オリジナル)

Recent studies have shown that learning theories have been very successful in hydrocarbon exploration. Inversion of seismic into various attributes through the relationship of 1D well-logs and 3D seismic is an essential step in reservoir description, among which, acoustic impedance is one of the most critical attributes, and although current deep learningbased impedance inversion obtains promising results, it relies on a large number of logs (1D labels, typically more than 30 well-logs are required per inversion), which is unacceptable in many practical explorations. In this work, we define acoustic impedance inversion as a regression task for learning sparse 1D labels from 3D volume data and propose a voxel-wise semisupervised contrastive learning framework, ContrasInver, for regression tasks under sparse labels. ConstraInver consists of several key components, including a novel pre-training method for 3D seismic data inversion, a contrastive semi-supervised strategy for diffusing well-log information to the global, and a continuous-value vectorized characterization method for a contrastive learning-based regression task, and also designed the distance TopK sampling method for improving the training efficiency. We performed a complete ablation study on SEAM Phase I synthetic data to verify the effectiveness of each component and compared our approach with the current mainstream methods on this data, and our approach demonstrated very significant advantages. In this data we achieved an SSIM of 0.92 and an MSE of 0.079 with only four well-logs. ConstraInver is the first purely data-driven approach to invert two classic field data, F3 Netherlands (only four well-logs) and Delft (only three well-logs) and achieves very reasonable and reliable results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google