浅層探査においては、複雑な地質条件、ノイズ干渉および多経路効果の影響により、従来の地震探査方法では地下埋設物の高分解能画像を得ることが困難である。深層ニューラルネットワークを用いた信号ノイズ除去手法とDeepDenoiserによる事前学習を融合し、大規模データの深層学習モデルを構築し、ニューラルネットワークのアーキテクチャを設計し、大規模データ深層学習に基づく全波形インバージョン法（DNFWI）を提案した。本手法の実探査における有効性及び性能を検証するため、水平剪断波源と垂直源という2種類の電気励振方式を設計し、砂層中に埋設された送油鋼管の音響探査実験を行った。収集した音響信号を解析することで、埋設物センサの伝達関数、地表特性、地表波速度、地表信号の時系列曲線及びパワースペクトルを得て、DNFWI法により2種類の励振方式のイメージング効果を比較分析した。その結果、水平励振の深さ減衰率は約20～25 dB/m、垂直励振は約10～20 dB/m、表面波の空間減衰率は約11 dB/mであった。SH波と鋼製油管の剪断波インピーダンス差が大きいため反射信号が強く、SH波反演イメージングにより埋設物の位置がより明確となり、垂直波反演よりも埋設油管の位置特定が効果的であることが示された。DNFWIは従来のFWI法に比べて位置精度が66.7%向上し、収束反復回数が59.7%減少し、計算時間が60.8%短縮された。

地下油管;音響探査;ビッグデータ;深層学習;全波形インバージョン