물리 기반 생성적 적대 신경망을 이용한 지진파 전체파동 역방향 모델링

Seismic full-waveform inversion based on a physics-driven generative adversarial network

목표: 전체파동 역방향 모델링(FWI)은 예측된 지진 데이터와 관측된 지진 데이터를 비교하여 지하 속도 모델을 반복적으로 개선하는 고해상도 지구물 탐사 기술입니다. 그러나 복잡한 지질 조건 하에서는 기존의 FWI 방법은 초기 모델에 크게 의존하며, 데이터가 부족하거나 노이즈가 포함된 경우 불안정한 결과를 초래하는 경향이 있습니다. 방법: 이러한 한계를 극복하기 위해, 본 논문에서는 물리 기반 생성적 적대 신경망을 이용한 전체파동 역방향 모델링 방법을 제안합니다. 제안된 방법은 심층 신경망의 데이터 기반 학습 능력을 지진파 방정식에 의해 정의되는 물리적 제약 조건과 통합하며, 판별기를 통한 적대적 학습을 통해 역방향 모델링 결과의 안정성과 견고성을 향상시킵니다. 결과: 두 가지 대표적인 표준 지질 모델에 대한 실험 결과는 제안된 방법이 복잡한 속도 구조를 효과적으로 복원할 수 있으며, 구조 유사성(SSIM) 및 신호 대 잡음비(SNR) 측면에서 우수한 성능을 달성한다는 것을 보여줍니다. 결론: 본 방법은 전체파동 역방향 모델링에서 초기 모델 의존성을 완화하는 데 유망한 해결책을 제시하며, 실제 응용 분야에서 강력한 잠재력을 가지고 있습니다.

Objectives: Full-waveform inversion (FWI) is a high-resolution geophysical imaging technique that reconstructs subsurface velocity models by iteratively minimizing the misfit between predicted and observed seismic data. However, under complex geological conditions, conventional FWI suffers from strong dependence on the initial model and tends to produce unstable results when the data are sparse or contaminated by noise. Methods: To address these limitations, this paper proposes a physics-driven generative adversarial network-based full-waveform inversion method. The proposed approach integrates the data-driven capability of deep neural networks with the physical constraints imposed by the seismic wave equation, and employs adversarial training through a discriminator to enhance the stability and robustness of the inversion results. Results: Experimental results on two representative benchmark geological models demonstrate that the proposed method can effectively recover complex velocity structures and achieves superior performance in terms of structural similarity (SSIM) and signal-to-noise ratio (SNR). Conclusions: This method provides a promising solution for alleviating the initial-model dependence in full-waveform inversion and shows strong potential for practical applications.