Deep Compressed Learning for 3D Seismic Inversion

📄 arXiv: 2311.00107v1 📥 PDF

作者: Maayan Gelboim, Amir Adler, Yen Sun, Mauricio Araya-Polo

分类: physics.geo-ph, cs.LG, eess.SP

发布日期: 2023-10-31

备注: Presented at The International Meeting for Applied Geoscience & Energy (IMAGE23)

💡 一句话要点

提出深度压缩学习以解决3D地震反演问题

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 3D地震反演 压缩学习 深度卷积神经网络 稀疏感知 机器学习

📋 核心要点

  1. 现有的3D地震反演方法通常需要大量的地震记录，导致计算成本高和效率低。
  2. 本文提出了一种结合压缩感知和深度学习的压缩学习方法，通过选择少量地震源进行有效反演。
  3. 实验结果表明，该方法在训练中减少了一个数量级的地震记录，同时保持了高质量的3D重建效果。

📝 摘要（中文）

本文考虑了使用极少量地震源从预堆数据进行3D地震反演的问题。所提出的解决方案基于压缩感知与机器学习框架的结合，称为压缩学习。该方案联合优化了一个降维算子和一个由深度卷积神经网络（DCNN）实现的3D反演编码器-解码器。通过学习稀疏二进制感知层来选择可用源的一个小子集，从而实现降维，随后将选定的数据输入DCNN以完成回归任务。端到端的学习过程在训练中显著减少了使用的地震记录数量，同时保持了与使用整个数据集相当的3D重建质量。

🔬 方法详解

问题定义：本文旨在解决从预堆数据进行3D地震反演时对大量地震记录的依赖问题。现有方法在数据量大时计算成本高，且可能导致效率低下。

核心思路：论文提出了一种压缩学习的方法，通过学习稀疏二进制感知层来选择少量地震源，从而实现降维并提高反演效率。这样的设计使得模型能够在减少输入数据的同时，仍然保持反演质量。

技术框架：整体架构包括两个主要模块：首先是稀疏二进制感知层，用于选择少量地震源；其次是深度卷积神经网络（DCNN），用于处理选定的数据并完成3D反演任务。

关键创新：该研究的主要创新在于将压缩感知与深度学习相结合，形成了一种新的压缩学习框架，显著降低了对地震记录的需求，同时保持了反演精度。与传统方法相比，具有更高的效率和更低的计算成本。

关键设计：在网络结构上，采用了深度卷积神经网络，设计了适合于3D数据处理的卷积层和池化层。损失函数方面，结合了重建误差和稀疏性约束，以确保反演结果的准确性和稀疏性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，所提出的方法在训练中使用的地震记录数量减少了一个数量级，同时3D重建质量与使用完整数据集的结果相当。这一显著提升表明该方法在实际应用中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括石油勘探、地质调查及环境监测等。通过减少对地震记录的需求，能够降低勘探成本，提高数据处理效率，进而推动相关行业的发展。未来，该方法可能在实时监测和快速反演等场景中发挥更大作用。

📄 摘要（原文）

We consider the problem of 3D seismic inversion from pre-stack data using a very small number of seismic sources. The proposed solution is based on a combination of compressed-sensing and machine learning frameworks, known as compressed-learning. The solution jointly optimizes a dimensionality reduction operator and a 3D inversion encoder-decoder implemented by a deep convolutional neural network (DCNN). Dimensionality reduction is achieved by learning a sparse binary sensing layer that selects a small subset of the available sources, then the selected data is fed to a DCNN to complete the regression task. The end-to-end learning process provides a reduction by an order-of-magnitude in the number of seismic records used during training, while preserving the 3D reconstruction quality comparable to that obtained by using the entire dataset.