KCI등재
라플라스 영역 파동장을 이용한 딥러닝 탄성파 역산 = Deep-Learning Seismic Inversion using Laplace-domain wavefields
저자
발행기관
학술지명
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI등재,ESCI
자료형태
학술저널
수록면
84-93(10쪽)
DOI식별코드
제공처
The supervised learning-based deep-learning seismic inversion techniques have demonstrated successful performance in synthetic data examples targeting small-scale areas. The supervised learning-based deep-learning seismic inversion uses time-domain wavefields as input and subsurface velocity models as output. Because the time-domain wavefields contain various types of wave information, the data size is considerably large. Therefore, research applying supervised learning-based deep-learning seismic inversion trained with a significant amount of field-scale data has not yet been conducted. In this study, we predict subsurface velocity models using Laplace-domain wavefields as input instead of time-domain wavefields to apply a supervised learning-based deep-learning seismic inversion technique to field-scale data. Using Laplace-domain wavefields instead of time-domain wavefields significantly reduces the size of the input data, thereby accelerating the neural network training, although the resolution of the results is reduced. Additionally, a large grid interval can be used to efficiently predict the velocity model of the field data size, and the results obtained can be used as the initial model for subsequent inversions. The neural network is trained using only synthetic data by generating a massive synthetic velocity model and Laplace-domain wavefields of the same size as the field-scale data. In addition, we adopt a towed-streamer acquisition geometry to simulate a marine seismic survey. Testing the trained network on numerical examples using the test data and a benchmark model yielded appropriate background velocity models.
더보기지도 학습 기반 딥러닝 탄성파 역산은 소규모 영역을 대상으로 하는 합성 자료 예제에서 성공적인 역산 성능을 보여주었다. 지도 학습 기 반 딥러닝 탄성파 역산은 시간 영역 파동장을 입력, 지하 속도 모델을 출력으로 사용하는데, 시간 영역 파동장은 다양한 파동 정보를 포 함하고 있어 자료의 크기가 상당히 크다. 따라서 대량의 데이터로 훈련하는 지도 학습 기반 딥러닝 탄성파 역산을 현장 규모의 자료에 적 용하는 연구는 아직까지 수행되지 못하고 있다. 본 연구에서는 지도 학습 기반 딥러닝 탄성파 역산 기법을 현장 규모의 자료에 적용하기 위해 시간 영역 파동장 대신 라플라스 영역 파동장을 입력으로 사용하여 지하 속도 모델을 예측하였다. 시간 영역 파동장 대신 라플라스 영역 파동장을 사용하면 결과의 해상도는 다소 떨어지지만 입력 자료의 크기가 크게 감소하여 신경망 훈련이 빨라지게 된다. 또한, 큰 격 자 간격을 사용할 수 있어 현장 자료 크기의 속도 모델을 효율적으로 예측할 수 있으며 이를 통해 얻은 결과는 후속 역산의 초기 모델로 사용될 수 있다. 신경망 훈련을 위해 현장 자료 크기를 가지는 대량의 합성 속도 모델과 라플라스 영역 파동장을 생성한 후 인공 합성 자 료만으로 신경망을 훈련시켰다. 또한, 해양 탄성파 탐사를 시뮬레이션하기 위해 견인 스트리머 취득 조건을 채택하였다. 테스트 자료와 벤 치마크 모델을 이용한 수치 예제에서 훈련된 신경망을 테스트한 결과, 적절한 배경 속도 모델들을 얻을 수 있었다.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)