Ekstrapolasi Frekuensi Rendah pada Full Waveform Inversion (FWI) dengan menggunakan Deep Learning. Part 1 : Validasi data Sintetik

  • Asido Saputra Sigalingging Bandung Institute of Technology
  • Ignatius Sonny Winardhie Teknik Geofisika, Institut Teknologi Bandung
  • Ekkal Dinanto Teknik Geofisika, Institut Teknologi Bandung

Keywords

Frekuensi Rendah, Deep Learning, Muti Layer Perceptron (MLP) , Convolutional Neural Network(CNN)

Abstract

Kandungan seismik frekuensi rendah sangat berperan penting terhadap hasil inversi pada pemodelan Full Waveform Inversion(FWI). Kehilangan frekuensi rendah dari data seismik akan membuat model akhir FWI sulit untuk konvergen. Penelitian ini melakukan ekstrapolasi frekuensi rendah dengan menggunakan deep learning. Dataset diperoleh dengan melakukan pemodelan ke depan seismik akustik menggunakan finnite difference dari beberapa model P-Wave sintetis. Data seismik hasil pemodelan kemudian dipisah menggunakan filter Butterworth, sehingga diperoleh data seismik dengan frekuensi rendah < 5 Hz, dan frekuensi tinggi > 5 Hz. Data frekuensi tinggi dan frekuensi rendah masing-masing berurutan sebagai input dan output data yang akan digunakan sebagai data latih model deep learning. Model deep learning Multi-Ouput Reggresion yang digunakan dalam penelitian ini yakni Multi-Layer Perceptron(MLP)  dan Convolutional Neural Networks(CNN). Evaluasi dan testing yang dilakukan terhadap model deep learning memberikan hasil akurasi yang baik. Berdasarkan hasil validasi akurasi model deep learning yang dilakukan, kedua model deep learning potensial untuk diterapakan pada ekstrapolasi frekuensi rendah data real sebelum dilakukan pemodelan Full Waveform Inversion(FWI).  

References

Aggarwal, C. (2018): Neural Networks and Deep Learning: A Textbook, Springer International Publishing.
Bunks, C., Saleck F. M., Zaleski, S., dan Chavent G. (1995): Multiscale seismic waveform inversion, Geophysics, 60, 1457–1473.
Dramsch, J., (2020): 70 years of machine learning in geoscience in review, Advances in Geophysics, 1-55. ttps://doi.org/10.1016/bs.agph.2020.08.002
Hu, Y., Han, L., Xu, Z., Zhang, F., dan Zeng, J. (2017): Adaptive multi-step full waveform inversion based on waveform mode decomposition, Journal of Applied Geophysics, 139, 195-210.
Liang, C. Application of deep learning in seismic data fault recognition. https://doi.org/10.1190/IGC2018-431
Luporini, F., Lange, M., Louboutin, M., Kukreja, N., Huckelheim, J., Yount, C., Witte, P., Kelly, P., Herrmann, F., dan Gorman, G. (2018): Architecture and performance of Devito, a system for automated stencil computation, arXiv, http://arxiv.org/abs/1807.03032
Ovcharenko, O., Kazei, V., Kalita, M., Peter, D., dan Alkhalifah, T., (2019): Deep learning for low-frequency extrapolation from multi-offset seismic data. Geophysics.
Ovcharenko, O., Kazei, V., Peter, D., Zhang, X., dan Alkhalifah, T., (2018): Low-frequency Data Extrapolation using a Feed-Forward ANN. 80th EAGE Conference & Exhibition 2018 Copenhagen Denmark. We P3 14.
Sun, H. dan Demanet, L, (2018): Low frequency extrapolation with deep learning, SEG Technical Program Expanded Abstract, 2011-2015.
Sun, H. dan Demanet, L, (2020): Extrapolated Full-waveform inversion with deep learning, Geophysic, 85(3), R275-R288.
Schmidhuber, J. (2015): Deep learning in neural networks: An overview, Neural networks, 61, 85–117.
Tarantola, A. (1984): Inversion of seismic reflection data in the acoustic approximation, Geophysics, 49,
1259–1266.
Pratt, R. G. (1990): Inverse theory applied to multi-source cross-hole tomography, Geophysical Prospecting, 38, 311-329.
Wu, S., Luo, L., dan Wu, B., (2014): Seismic envelope inversion and modulation signal model, Geophysich, 79, WA13–WA24.
Wang, R. dan Herrmann, F. (2016): Frequency down extrapolation with tv norm minimization, Proceedings of SEG Technical Program Expanded Abstracts 2016, California, Amerika Serikat, 1380-1384.
Zhang, P., Han, L., Xu, Z., Zhang, F., dan Wei,Y. (2017): Sparse blind deconvolution based low-frequency seismic data reconstruction for multiscale full waveform inversion, Journal of Applied Geophysics, 139, 91-108.
Published
Dec 29, 2021
How to Cite
SIGALINGGING, Asido Saputra; WINARDHIE, Ignatius Sonny; DINANTO, Ekkal. Ekstrapolasi Frekuensi Rendah pada Full Waveform Inversion (FWI) dengan menggunakan Deep Learning. Part 1 : Validasi data Sintetik. Jurnal Geofisika, [S.l.], v. 19, n. 2, p. 74-79, dec. 2021. ISSN 2477-6084. Available at: <https://jurnal-geofisika.or.id/index.php/jurnal-geofisika/article/view/518>. Date accessed: 21 may 2022. doi: http://dx.doi.org/10.36435/jgf.v20i2.518.