Deep Learning for 3D Seismic Data Interpolation and Reconstruction
연구 내용
불규칙·결측 구간이 존재하는 3D 탄성파 탐사자료에서 시계열 기반 내삽과 교차선 복원을 수행하여 결측 trace를 안정적으로 재구성하는 연구
탄성파 탐사에서는 환경·경제적 제약으로 수집 간격이 불규칙하고 결측 trace가 발생하여 후속 영상화가 불안정해질 수 있습니다. 본 연구는 seismic trace를 이미지가 아닌 time-series로 다루는 딥러닝 모델을 기반으로 내삽을 수행합니다. deep bidirectional LSTM에 skip connections을 적용하거나, traces-to-trace 접근으로 crossline trace를 예측하는 구조를 사용합니다. 또한 현장 데이터의 부족 문제를 고려해 3D 패치 기반 전이 학습과 transposed arrangement strategy를 활용하여 crossline 방향 해상 저하와 aliasing을 완화하는 차별성을 확보합니다.
관련 연구 성과
관련 논문
3편
관련 특허
1건
관련 프로젝트
0건
연구 흐름
초기에는 불규칙 샘플링과 결측 trace 문제를 해결하기 위해 deep bidirectional LSTM을 적용하고, skip connections 유무에 따른 재구성 성능을 비교하여 시계열 기반 학습의 효과를 확인하였습니다. 이후 towed-streamer 자료에서 crossline 방향이 sparse하다는 특성을 반영하여 inline 밀집 정보를 학습 데이터로 활용하는 traces-to-trace 접근을 설계하고, 여러 네트워크로 예측 위치 비율을 분해해 복원 정확도를 개선했습니다. 최근에는 실제 field 데이터의 라벨 부재를 줄이기 위해 3D 입력과 라벨을 패치로 구성하고 transposed arrangement strategy로 재구성하는 방향으로 확장해 U-Net 기반 모델의 활용성을 검증했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Seismic Data Reconstruction Using Deep Bidirectional Long Short-Term Memory With Skip Connections
Crossline interpolation with the traces-to-trace approach using machine learning
Transposed arrangement strategy-based deep learning for seismic data crossline interpolation
관련 특허
구분
제목
인공지능을 이용한 3차원 탄성파 탐사자료 내삽방법