Data-Driven Pseudo-spectral Full Waveform Inversion via Deep Neural Networks
Created by
- Haebom
Category
Empty
저자
Christopher Zerafa, Pauline Galea, Cristiana Sebu
개요
본 논문은 풀-웨이브 암(FWI)의 한계점을 극복하기 위해 심층 학습(Deep Learning) 기법을 활용한 새로운 접근 방식을 제시합니다. 기존 FWI는 복잡한 환경에서의 정확한 파동 전파 모델링과 충분한 데이터 확보에 어려움을 겪는 반면, 심층 학습은 데이터 기반 접근으로 모델링 오류를 줄이고 광범위한 데이터를 효과적으로 처리할 수 있습니다. 특히, 본 연구는 기존 연구에서 다루지 않았던 의사 스펙트럼(pseudo-spectral) 도메인에서의 심층 학습 기반 FWI를 제안합니다. 이를 위해 의사 스펙트럼 FWI 문제를 심층 신경망(DNN) 알고리즘으로 재구성하고, 새로운 DNN 프레임워크를 제시합니다. 합성 데이터와 2차원 Marmousi 데이터셋을 이용한 실험 결과, 제안된 방법이 기존 FWI보다 깊은 지층 및 역단층 지역에서 더 나은 성능을 보임을 확인하였습니다. 이는 심층 학습의 전역적 근사 능력 덕분에 광선 추적(ray-tracing) 등의 물리적 제약으로부터 자유롭기 때문입니다.
시사점, 한계점
•
시사점:
◦
의사 스펙트럼 도메인에서 심층 학습 기반 FWI의 효용성을 최초로 제시하고 검증.
◦
기존 FWI의 한계점인 복잡한 환경 및 데이터 부족 문제를 심층 학습을 통해 효과적으로 해결.
◦
깊은 지층 및 역단층 지역에서 기존 FWI보다 향상된 성능을 보여 지하구조 모델링의 정확도 향상 가능성 제시.
◦
데이터 기반 접근 방식으로 물리적 모델링 오류 감소.
•
한계점:
◦
현재까지는 합성 데이터와 2차원 Marmousi 데이터셋에 대한 결과만 제시되어 실제 현장 데이터에 대한 검증이 추가적으로 필요.
◦
제안된 DNN 프레임워크의 일반성 및 다양한 지질 환경에 대한 적용성에 대한 추가적인 연구 필요.
◦
고차원 데이터셋에 대한 계산 비용 및 효율성 문제 고려 필요.
