SubsurfaceGen: Procedural Generation of Field-Scale Earth Models and Seismic Data

Resumen Técnico: SubsurfaceGen

Planteamiento del Problema
La Inversión de Onda Completa (FWI, por sus siglas en inglés) es el método estándar para la imagen del subsuelo, fundamental para la verificación de la captura de carbono, la exploración de recursos y la evaluación de riesgos. Sin embargo, la FWI implica resolver problemas de optimización con restricciones de EDP (ecuaciones diferenciales parciales) de alta dimensión y no convexos que sufren de salto de ciclo (cycle skipping), sensibilidad a los modelos iniciales y costos computacionales prohibitivos. Si bien el aprendizaje automático (ML) ofrece alternativas prometedoras —como los operadores neuronales para acelerar las resoluciones de EDP y los codificadores-decodificadores para la inversión directa—, el progreso se ve obstaculizado por la falta de datos de entrenamiento adecuados. Los conjuntos de datos existentes (por ejemplo, Marmousi, SEAM, OpenFWI) no logran satisfacer simultáneamente cuatro criterios críticos: extensión espacial y temporal de escala de campo, diversidad geológica, realismo físico y extendibilidad (la capacidad de generar nuevos datos bajo demanda). Los conjuntos de datos de pequeña escala no capturan el empeoramiento del salto de ciclo y las brechas de iluminación en grandes escalas, mientras que los conjuntos de datos estáticos no pueden respaldar estudios sobre la generalización en entornos geológicos no vistos.

Metodología
Los autores presentan SubsurfaceGen, un generador procedimental acelerado por GPU para modelos de velocidad 3D y sus correspondientes datos sísmicos. El sistema está construido sobre PyTorch para la generación de modelos y Devito para la generación de datos sísmicos.

1. Generación Procedimental de Modelos de Velocidad: SubsurfaceGen construye modelos de velocidad aplicando secuencialmente un catálogo de ocho módulos geológicos a un volumen de basamento homogéneo. Estos módulos emulan características del mundo real:

   • Deposit (Depósito): Añade capas estratificadas con intercapas (capas de velocidad alternantes).
   • Squish (Aplastamiento): Deforma las capas para simular el plegamiento a escala de cuenca.
   • Fault (Falla): Aplica deformaciones de falla de tipo listrica y en forma de V.
   • SaltSDT y SaltWedge: Genera cuerpos salinos irregulares y deforma los sedimentos circundantes para crear secuencias halocinéticas (geometrías de onlap y drape).
   • CarbonatePlatform (Plataforma de Carbonatos): Construye estructuras de arrecife asimétricas con distintas facies.
   • DeltaClinoformDeposit (Depósito de Clinoformas Deltaicas): Apila superficies de lecho tipo clinoforma para simular geometrías deltaicas.
   • StructuralSmoother (Suavizador Estructural): Aplica un suavizado orientado a la estructura para suprimir artefactos numéricos preservando las discontinuidades geológicas.
     El proceso de generación es determinista basado en vectores de parámetros, pero permite el muestreo estocástico para crear realizaciones diversas dentro de un entorno geológico específico.

2. Generación de Datos Sísmicos: Para cada modelo de velocidad 3D, SubsurfaceGen extrae cortes 2D y resuelve la ecuación de onda acústica 2D utilizando Devito. Genera datos emparejados que consisten en:

   • Campos de onda: Propagación de campo de onda completo durante 5 segundos.
   • Registros de fuentes (Shot Gathers): Grabaciones de 8 segundos de 64 fuentes y 1000 receptores, simulando la adquisición de un streamer marino.
     El sistema soporta cinco anchos de banda de fuente diferentes para facilitar estrategias de entrenamiento multiescala.

3. Construcción del Conjunto de Datos: Los autores lanzaron un conjunto de datos a escala de campo en Hugging Face que contiene 4,276 cortes de velocidad 2D (resolución de 10 m, 10 km × 10 km lateral, 6.19 km de profundidad) emparejados con campos de onda y registros de fuentes. Estos se derivan de 42 modelos 3D distintos que abarcan seis entornos geológicos: cuatro generados por SubsurfaceGen (Penobscot, F3, Golfo de México, Fault) y dos de fuentes previas (SEAM, Salt Canopy). El entorno Penobscot se mantiene como un conjunto de prueba fuera de la distribución (OOD).

Contribuciones Clave

• Software SubsurfaceGen: Una novedosa herramienta de código abierto y acelerada por GPU que permite la generación procedimental de modelos de velocidad geológicamente diversos, físicamente realistas y a escala de campo. Es el primer software de código abierto que soporta la generación procedimental de características como cuerpos salinos, plataformas de carbonatos y clinoformas en un flujo de trabajo unificado.
• Conjunto de Datos a Escala de Campo: El lanzamiento de un conjunto de datos a gran escala y emparejado (modelos de velocidad + datos sísmicos) que aborda las limitaciones de los benchmarks existentes. Proporciona la extensión espacial necesaria (10 km) y la profundidad temporal (5–8 s) para estudiar fenómenos a escala de campo como el salto de ciclo y la imagen profunda.
• Evaluación de FWI basada en ML: El artículo demuestra la utilidad de este conjunto de datos evaluando dos tareas distintas de ML:
  • Predicción de Campos de Onda: Operadores neuronales (TFNO, DPOT) para predecir campos de onda. Los autores introducen una estrategia de "despliegue autorregresivo por fragmentos" (chunked autoregressive rollout) necesaria debido al tamaño de la rejilla a escala de campo y proponen TFNO-interp, una variante que utiliza principios de checkpointing óptimo para reducir la deriva del error en horizontes largos.
  • Inversión de Extremo a Extremo: Entrenamiento de redes codificador-decodificador (InversionNet, Transformer, CNN) para mapear registros de fuentes directamente a modelos de velocidad. El conjunto de datos permite los primeros estudios de generalización entre geologías a escala de campo, revelando cómo diferentes arquitecturas manejan los cambios de distribución.

Resultos

• Rendimiento: SubsurfaceGen logra una aceleración de 7.2× a 26.8× en la generación de modelos de velocidad en una GPU NVIDIA A100 en comparación con una CPU de 16 núcleos.
• Predicción de Campos de Onda: Los operadores neuronales rastrean con éxito los frentes de onda dominantes, pero exhiben una acumulación de error en horizontes temporales largos (5 s). La variante TFNO-interp, que ancla las predicciones en pasos de tiempo intermedios, redujo el error relativo L2 en las brechas de predicción aproximadamente 6× en comparación con los operadores de propagación estándar, demostrando el valor del conjunto de datos a escala de campo para exponer modos de falla en horizontes largos.
• Inversión: Entre las arquitecturas probadas, la CNN 3D superó a la InversionNet 2D y al Transformer en términos de RMSE y SSIM, particularmente al capturar características de gran escala como cuerpos salinos y fallas. Sin embargo, todos los modelos tuvieron dificultades con las características de pequeña escala. Crucialmente, la CNN mostró una caída significativa en el rendimiento en el conjunto OOD (Penobscot), mientras que el Transformer mantuvo puntuaciones de SSIM estables, resaltando las capacidades de generalización dependientes de la arquitectura.

Significancia
El artículo afirma que SubsurfaceGen y su conjunto de datos asociado democratizan el ML para la imagen sísmica al reducir la barrera de entrada para investigadores que carecen de datos propietarios. Argumenta que la naturaleza de los datos a escala de campo es esencial para descubrir modos de falla (como la deriva en despliegues autorregresivos y los límites de generalización en la inversión) que son invisibles en conjuntos de datos de pequeña escala. Los autores posicionan este trabajo como una base para futuros benchmarks y desarrollo de métodos, advirtiendo que los modelos entrenados con estos datos sintéticos requieren validación adicional antes de su despliegue en el mundo real. El trabajo cierra la breancia entre los avances teóricos de ML y los requisitos prácticos de gran escala de la geofísica.