Deep learning vertical resolution enhancement considering features of seismic field data

Abstract

석유 탐사에서 탄성파 탐사자료의 해상도는 암상 및 층서의 개별적 특성을 규명하거나 자세한 구조정보를 파악하는데 중요한 역할을 한다. 자료의 해상도는 신호의 주파수 성분의 함수이기 때문에 해상도 향상을 위해서는 주파수 대역폭의 확장이 필요하며 이는 탄성파 자료처리에서 필수적으로 수행된다. 이를 위해 디컨볼루션(deconvolution), 요소파 변환(wavelet transform) 또는 최적화된 필터링(matched filter) 등을 이용한 다양한 주파수 대역확장 기법들이 개발되었으며, 최근에는 다양한 현장 자료에 대한 적용이 어려웠던 기존 방법들의 일반화에 대한 문제를 딥러닝 기술을 이용하여 해결하고자 하는 연구들이 활발히 수행되고 있다. 그러나 딥러닝 기술을 이용함에 있어 딥러닝 모델을 학습시키기 위한 훈련자료 생성에서 결과에 영향을 미치는 요인에 대한 분석이나 현장 자료의 특성을 반영하는 방법에 대해서는 제시된 바가 없다. 이 논문에서는 현장 자료 특성에 맞는 훈련 자료를 생성하고 그 성능을 분석하였으며 이를 바탕으로 현장 자료의 특성을 고려한 딥러닝 기반의 탄성파 탐사자료 해상도 향상 시스템을 제안하였다. 딥러닝 모델로는 입력자료의 해상도를 유지하는 동시에 시간적 연결성을 보존할 수 있는 convolution U-Net 구조를 사용하였고, 목표 탄성파 탐사자료의 송신파형요소(source wavelet)와 반사계수함수(reflectivity series)의 확률분포를 사전정보로 이용하여 생성한 수 천개의 탄성파 트레이스(seismic trace)들을 훈련자료로 사용하였다. 훈련된 딥러닝 모델을 합성자료와 현장자료에 대한 적용한 결과, 이러한 사전정보를 이용하여 훈련자료를 생성했을 때 해상도 향상의 정확도가 향상되는 것을 확인하였고, 현장 자료에 대한 적용 결과와 시추공 자료와의 비교 분석을 통하여 해상도 향상의 성능과 현장자료에 대한 적용 가능성을 확인하였다.|The resolution of seismic data dictates the ability to identify individual features or details in a given image, and the temporal (vertical) resolution is a function of the frequency content of a signal. To improve thin-bed resolution, broadening of the frequency spectrum is required; this has been one of the major objectives in seismic data processing. In this thesis, I present a data-driven machine learning (deep learning) technique for spectral enhancement. A convolutional U-Net model was used because it preserves the temporal connectivity and resolution of the input data. Numerous synthetic input traces and their corresponding spectrally broadened traces were generated for training the model. A priori information from field data, such as the estimated source wavelet and reflectivity distribution, was considered when generating the input data for complementing the field features. Using numerical and field data examples, I showed that the trained model with a priori information outperforms the models trained without a priori information in terms of the accuracy of enhanced signals. In addition, our new spectral enhancing method was verified through the application to the high-cut filtered data and its promising features were presented through the comparison with well log data.; The resolution of seismic data dictates the ability to identify individual features or details in a given image, and the temporal (vertical) resolution is a function of the frequency content of a signal. To improve thin-bed resolution, broadening of the frequency spectrum is required