PREDICTION OF MULTIPLE REFLECTIONS WITH NEURAL NETWORKS

Abstract

다중 제거 문제는 광범위하게 연구되었지만, 오늘날 사용되는 대부분의 기술은 여전히 관례적이다. NMO, 라돈 변환, 표면 관련 다중 제거 및 희박한 반전에 의한 일차 추정과 같은 방법은 지진 데이터 처리에서 표준으로 유지되며, 여전히 지구 물리학자의 경험에 크게 의존하며 일부는 계산 비용이 많이 들 수 있다. 신경망은 매개 변수화에 덜 의존적이고 동일한 결과를 생성하는 자동화된 대안을 제공하며 때로는 더 나은 결과를 제공한다. 계산 비용이 많이 드는 EPSI의 작용을 근사화하고 GAN을 사용한 쌍곡선 라돈 변환의 작용을 구현하기 위해 이 분야에서 사용되었다. 이 연구는 평면 하위 표면의 유한 차이 모델링에 의해 생성된 복합 데이터 세트의 배수를 예측하기 위한 U-Net 및 노이즈 제거 자동 인코더라는 두 가지 모델을 제안한다. 모델은 최소 파라미터를 사용하여 전체 파형 필드의 입력에서 주 값을 성공적으로 생성합니다. 세 가지 반복 SRME에 의해 예측된 복잡한 데이터 세트에서 모델을 테스트하면 U-Net이 기존 방법과 경쟁할 수 있으며 예측된 기반이 반복 SRME에 적용된 테이퍼로 인해 아티팩트를 나타내지 않는다는 것을 알 수 있다. 또한, 이 연구는 단순한 속도 모델이 완전한 컨볼루션 네트워크(FCN) f를 훈련하기에 충분히 신뢰할 수 있음을 보여준다.다중 제거의 목적이기도 합니다.

The problem of multiple removal has been vastly researched but most techniques used today remain conventional. Methods such as NMO, Radon transforms, Surface-related Multiple Removal, and Estimation of Primaries by Sparse Inversion remain the norm in processing seismic data and are still heavily dependent on the experience of the geophysicist and some can be computationally expensive. Neural networks offer an automated alternative that yields the same results with fewer parameterizations and less dependence and sometimes better results. They have been used in this field to approximate the action of the computationally expensive EPSI and to implement the action of the hyperbolic Radon Transform using GANs, among others. This study proposes two models, a U-Net and a denoising autoencoder to predict multiples from synthetic datasets generated with finite-difference modeling of flat-layered subsurface. The models successfully produce primaries from an input of the full wavefield with minimal parameters. Testing the models on a complex dataset, in which primaries were predicted by 3 iterations of iterative SRME, shows that the U-Net can compete with the conventional methods, and its predicted primaries do not present artifacts due to a taper applied in iterative SRME. Moreover, the study demonstrates that simple velocity models can be enough to train a network for multiple removal, provided that the network is fully convolutional.