Theory-guided Pseudo-spectral Full Waveform Inversion via Deep Neural Networks
작성자
- Haebom
카테고리
비어 있음
저자
Christopher Zerafa, Pauline Galea, Cristiana Sebu
개요
본 논문은 풀웨이브 역산(FWI)에 딥러닝 기법을 접목하여 지하 구조의 고해상도 모델을 얻는 새로운 방법을 제시합니다. 기존 FWI의 한계점인 복잡한 환경에서의 전파 모델 오류 및 데이터 부족 문제를 딥러닝 기반의 데이터 중심 접근 방식으로 해결하고자 합니다. 특히, 기존 FWI에서 효과적이었던 가상-분광(pseudo-spectral) 기법을 딥러닝 프레임워크(순환 신경망, RNN)에 통합하는 새로운 접근법을 제안합니다. 2차원 Marmousi 데이터셋을 이용한 실험 결과, 제안된 방법이 기존 FWI보다 더 높은 정확도(오차 허용치 0.05, 상대 오차 1.45%)와 안정적인 수렴성을 보이며, 특히 단층 파악 및 저주파 성분 복원, 얕은 및 깊은 영역의 경계 검출에 우수한 성능을 나타냄을 확인했습니다.
시사점, 한계점
•
시사점:
◦
가상-분광 FWI에 딥러닝(RNN)을 적용한 새로운 방법 제시.
◦
기존 FWI 대비 향상된 정확도, 안정적인 수렴성, 개선된 단층 및 경계 검출 성능 확인.
◦
깊은 지하 구조의 저주파 성분을 더욱 잘 복원.
◦
시간 영역 기반의 딥러닝 FWI 연구에 가상-분광 기법을 성공적으로 통합.
•
한계점:
◦
현재까지는 2차원 합성 데이터셋(Marmousi)에 대한 실험 결과만 제시. 실제 지구물리 데이터에 대한 검증 필요.
◦
제안된 방법의 계산 비용 및 효율성에 대한 추가적인 분석 필요.
◦
3차원 데이터셋으로의 확장 및 실제 현장 데이터 적용에 대한 추가 연구 필요.
