介绍了一种用于优化岩石弹性参数的全波形反演数据集,该数据集包含了适用于深度学习的8种不同类型的地质结构模型,通过三种不同种类的深度学习方法推导出的标杆结果被提供,激发了多参数反演和碳零化等研究领域的重要探索。
Jun, 2023
提出了一种使用生成扩散模型优化全波形反演的方法,该方法可以有效地结合地下前期速度模型与地震观测数据,提高了地下模型的重构精度。
利用深度神经场建立波速及相应行程时间生成模型,并采用一种优化输运损失来执行高速地震相联合估计和结合。解决了波速及异源估计问题,实现了对高速地震云的有效结合,处理了嘈杂数据和缺失数据,极大地促进了地震数据处理的技术进步。
Jul, 2023
借助物理原理指导的扩散模型,引入EdGeo工具包生成高保真速度图,用于微调精简机器学习模型;实验证明,使用EdGeo生成的数据进行微调可获得优质速度图,尤其适合表示特殊特征,优于其他现有方法。
Jan, 2024
使用条件生成扩散模型为地震速度综合提供灵活性,同时提高准确性和可靠性,以解决目标分布涵盖的统计或神经网络方法不足的问题。
Feb, 2024
提出一种使用卷积神经网络和注意力层结合的高效且具有成本效益的架构,用于检测地震结构异质性,通过利用合成数据进行迁移学习以训练和微调模型,解决有限标注数据可用性的挑战。
Apr, 2024
本研究介绍了一种使用扩散生成模型合成地下速度模型的新方法。该方法利用不完整的井和地震观测产生高保真度的速度样本,而无需完全采样的训练数据集。结果表明,我们的生成模型准确捕捉到了长距离结构,与地面真实速度模型一致,获得了高结构相似性指数(SSIM)分数,并提供了有意义的不确定性估计。这一方法促进了真实的地下速度合成,为全波形反演提供了有价值的输入,并增强了基于地震的地下模型。
May, 2024
基于弹性散射理论和深度学习技术,本文提出了一种基于物理问题的时间谐波全波形反演方法,以增强解的准确性,并通过修改变分自编码器的结构引入了一种基于物理问题的概率深度学习方法,能够探索解的不确定性。为了评估提出的方法的性能和准确性,并鉴于该领域数据集的有限可用性,我们创建了一个逼近实际的综合数据集,并对所提出的方法进行了比较分析。
Jun, 2024
本研究解决了利用机器学习构建地下速度模型时,现有生成模型忽视空间依赖性和分辨率变化的问题。通过引入VelocityGPT,采用自回归训练的Transformer解码器,从浅层到深层生成速度模型,实现了通过浅层数据指导深层生成的创新方法。研究结果表明,VelocityGPT在合成数据上表现出色,为地震速度模型构建提供了有前景的应用途径。
Aug, 2024
本研究解决了模拟地幔对流中达到计算昂贵的稳态所需的时间过长的问题。通过利用机器学习,我们训练神经网络预测稳态温度分布,从而优化数值时间步进方法,显著减少达到稳态所需的时间步数,潜在地推动地幔对流研究的加速发展。