라플라스 영역 지도학습 기반 탄성파 역산을 위한 송신원 추정

• Published in: 지구물리와 물리탐사, 28(2) pp. 64 - 78
• Main Authors: 조준현, 하완수
• Format: Journal Article
• Language: Korean
• Published: 한국지구물리.물리탐사학회 01.05.2025
• Subjects: 자원공학
• ISSN: 1229-1064; 2384-051X

전통적인 전파형 역산의 한계를 극복하기 위해 제안된 딥러닝 기반 탄성파 역산 기술들은 인공 합성 자료들을 대상으로 우수한 역산 성능을 입증하였다. 그러나, 송신원 추정 문제를 다루는 딥러닝 기반 탄성파 역산 연구는 거의 찾아볼 수 없다. 특히 현장 탐사 자료의 성공적인 역산을 위해서는 정확한 송신파형을 사용하는 것이 중요하다. 역산에 사용되는 송신원의 파형이 실제 송신원과 크게 다를 경우 역산 결과가 참 속도 모델에 수렴하지 못하거나 계산비용이 증가할 수 있다. 따라서, 본 연구는 딥러닝 기반 탄성파 역산에서 송신 파형의 불확실성이 역산 정확도에 미치는 영향을 분석하기 위해 수행하였다. 특히, 훈련 자료에 민감한 지도학습 기반 탄성파 역산에 초점을 맞추었으며, 라플라스 영역에서의 송신원 추정을 전처리 단계로 통합하였다. 시간이나 주파수 영역과 달리 라플라스 영역에서 송신 파형은 진폭 정보만을 가지므로 송신원 추정이 보다 단순하고 계산 효율적이다. 송신원 추정 알고리즘은기존 라플라스 영역 완전 파형 역산에서 사용하는 것과 동일한 알고리즘을 채택하였으며, 뉴턴법을 이용하여 송신원 매개변수를 반복적으로 갱신하였다. 또한, 라플라스 영역 딥러닝 기반 탄성파 역산을 위한 새로운 심층 신경망을 제안하여 선행 연구와 정량적으로 비교 분석하였다. 제안된 신경망을 이용해 라플라스 영역 역산에서 더욱 효율적이고 우수한 역산 성능을 달성하였으며, 두 가지 벤치마크 모델을 이용한 수치 예제를 통해 송신원 추정의 중요성과 제안된 접근법의 효과성을 입증하였다. Deep learning-based seismic inversion techniques have been proposed to overcome the limitations of conventional full-waveform inversion (FWI) and have demonstrated excellent inversion performance on synthetic datasets. However, studies addressing the source estimation challenges in deep learning-based seismic inversion remain scarce. Accurate estimation of the source wavelet is particularly critical for the successful inversion of field seismic data. If the wavelet used deviates significantly from the true source wavelet, the inversion may fail to converge to the true velocity model or incur increased computational costs. Therefore, this study investigates how uncertainties in source wavelet estimation affect the accuracy of the deep learning-based seismic inversion, with a particular focus on supervised learning approaches, which are inherently sensitive to training data. To address this issue, source estimation in the Laplace domain is incorporated as a preprocessing step. Unlike the time or frequency domains, the source wavelet in the Laplace domain retains only the amplitude information, simplifying the estimation process and improving computational efficiency. The source estimation algorithm adopts the same approach as used in conventional Laplace-domain FWI, iteratively updating the source parameters using the Newton method. Furthermore, we propose a novel deep neural network for deep-learning-based seismic inversion in the Laplace-domain and conduct a quantitative comparison with the previous study. The proposed network achieved improved efficiency and superior inversion performance in the Laplace-domain inversion. Numerical examples using two benchmark models demonstrate the importance of source wavelet estimation and the effectiveness of the proposed approach. KCI Citation Count: 0