Machine learning-based time-lapse 1D velocity inversion with efficient training data generation for CCS monitoring

Abstract

Machine learning-based time-lapse 1D velocity inversion with efficient training data generation for CCS monitoring Sooyoon Kim Dept. of Earth Resources and Environmental Engineering The Graduate School Hanyang University Machine learning (ML)-based time-lapse seismic full-waveform inversion has recently gained attention in carbon capture and storage (CCS) research because of its potential to address the limitations of physics-based inversion and its outstanding performance in imaging the time-lapse change of injected CO2 plumes. These data-driven approaches typically demand a substantial and unbiased dataset to produce high-quality results, applicable even to unseen data. Obtaining a large number of labeled field data remains a significant challenge, and generating a variety of velocity models and corresponding seismic data is also a challenging task. In particular, even 2D velocity models based on limited geological assumptions which have limitations in representing diverse velocity changes of the target field were constructed, it requires significant efforts to generate a variety of models, and calculating their seismic responses requires massive computational resources. To address these challenges, a 1D ML-based time-lapse inversion method with efficient training data generation was introduced. This approach exploits differences in time-lapse seismic data to estimate time-lapse velocity changes. By using the 1D inversion strategy, the ML model enables to learn the general characteristics of velocity changes between two different phases of time-lapse survey. In addition, the proposed method allows for the rapid generation various velocity models and near-offset data. The ML model was trained on extensive training data generated using the proposed method, and its validity was tested on 2D target data. This target dataset was obtained from a modified Marmousi2 velocity model with injected CO2 plume with arbitrary shape. However, inaccurate predictions were observed near the plume, following the trajectory of diffraction, because diffractions caused by the CO2 plume only affects the monitoring data. To mitigate the 2D effect due to diffractions from the CO2 plume, a ML-based diffraction removal process was suggested as a preprocessing for 2D target data. The diffractions near CO2 plume were reasonably attenuated after applying diffraction removal process, thereby applicability of 1D ML-based FWI to the target data was enhanced. In tests using 2D target data, information about the CO2 plume was reasonably delineated, although the magnitude of the time-lapse velocity change near the plume boundary was reduced by small losses of amplitude during the diffraction removal process. The proposed method can be a powerful tool for carbon capture and storage monitoring, which requires efficient forward modeling for each iterative exploration stage.|최근 기계 학습(Machine learning; ML) 기반의 시간 경과 탄성파 완전파형역산은 탄소 포집 및 저장(Carbon capture and storage; CCS) 프로젝트에서 주입된 이산화탄소의 시간에 따른 변화를 정확하게 모니터링하고, 기존에 사용되던 물리법칙 기반 역산의 한계를 극복할 수 있는 기술로 주목받고 있다. 그러나 학습 과정에 반영되지 않았던 새로운 자료에 대해서도 고품질의 예측 결과를 도출하기 위해서는 편향되지 않은 대규모의 자료에 의한 학습 과정이 필요하다. 실제 현장에서 지하 구조가 규명된 대규모의 학습 자료를 확보하는 것에 더불어, 다양한 속도 모델과 탄성파 자료를 인공적으로 생성하는 것 역시 상당한 비용과 노력이 필요하다. 특히, 몇 가지의 지질학적인 가정하에서 2차원 속도 모델을 생성하는 과정은 현장에서 나타날 수 있는 다양한 속도 변화를 표현하는데 한계가 있으며, 속도 모델 생성과 여기에 따르는 탄성파 자료의 모델링에는 방대한 연산 비용과 시간이 요구된다. 이러한 문제를 해결하기 위해 효율적인 학습 자료 생성 방법을 이용한 1차원 기계 학습 기반의 시간 경과 역산 방법을 제안하였다. 제안된 접근 방법에서는 지하의 탄성파 속도 변화를 추정하기 위해 시간 경과 탄성파 자료 사이의 차이를 이용하며, 시간 경과 탐사에서 나타나는 속도 변화의 일반적인 특징을 학습하기 용이하도록 1차원 역산 방법을 활용한다. 또한 이러한 접근 방법에서는 다양한 속도 모델과 이에 대응되는 근거리 오프셋 자료를 빠르게 생성할 수 있다. 이렇게 생성된 대량의 학습 자료를 이용하여 기계 학습 모델을 학습시켰으며, 다양한 형태의 CO2 플룸이 존재하는 시나리오를 가정한 수정된 Marmousi2 속도 모델에서 2차원 탄성파 자료를 생성하여 학습된 모델의 검증을 수행하였다. 그러나 2차원적 형태를 갖는 CO2 플룸에서 발생한 회절파가 모니터링 탐사 자료에서만 나타나기 때문에, 기계 학습 모델이 이를 실제 변화로 인식하고 회절파의 형태를 따라 속도 변화를 잘못 예측되는 결과가 나타났다. CO2 플룸에서 나타나는 회절파를 감쇠시키기 위해, 2차원인 타겟 자료에 대한 전처리로 기계 학습 기반의 회절파 제거 프로세스가 제안되었다. 제안된 전처리 프로세스 적용 결과, CO2 플룸 근처의 회절파가 상당 부분 제거되며 타겟 자료에 대한 기계 학습 기반 1차원 역산 기법의 적용성이 향상되었다. 2차원 타겟 자료로 시험한 결과, 회절파 제거 과정에서 CO2 플룸 경계 부근의 진폭의 손상이 있었음에도 불구하고, CO2 플룸의 심도, 두께, 속도 변화 값 대부분을 정확하게 추정하는 것을 확인하였다. 제안된 방법은 반복되는 탐사 과정에 대해 효율적인 모델링이 필요한 탄소 지중 저장 프로젝트에서의 모니터링에 유용하게 이용될 수 있을 것으로 보인다.