Apr, 2023

学习多物理量反演的可微编程与机器学习

PDF
TL;DR本文介绍了 SLIM 开源软件框架，该框架可用于计算地球物理学和反演问题，包括波动方程（如地震和医疗超声），具有学习先验的正则化和学习神经替代物用于多相流模拟。通过集成多个抽象层，我们的软件既可读性强又可扩展，从而使研究人员可以轻松地以抽象的方式构建问题并利用高性能计算的最新发展。我们通过构建一个可扩展的原型演示了设计原则及其益处，用于从时间序列交叉井地震数据中反演渗透率，其除了耦合波物理和多相流外还涉及机器学习。
发现论文，激发创造
  • 利用学习替代和约束解决多物理反问题

    使用具有计算便宜的学习代理器和学习约束的方法解决地质碳封存监测中多模态逆问题，提供更精确的渗透率倒转和多样化数据逆转的计算可行方法。

    Jul, 2023

  • 物理信息机器学习地球物理数据反演概述

    物理信息机器学习 (PIML) 逆问题算法主要包括 FWI 和神经网络，PIML 相较于传统方法具有避免局部最小值和局部训练优势，但对测试数据和训练数据相似性要求较高，可以通过预训练和微调策略来克服此限制。

    Oct, 2023

  • 基于物理信息的机器学习对非线性钢刚性框架结构地震响应预测

    该研究论文介绍了一种将科学原理和物理定律融入深度神经网络的新型物理信息机器学习（PiML）方法，用于建模非线性结构的地震响应，并通过模型降阶、长短期记忆网络（LSTM）和牛顿第二定律等特性，使模型具有相对稀疏数据的训练能力，同时提高了模型的准确性、可解释性和鲁棒性。

    Feb, 2024

  • 物理引导下的地球物理监测生成式人工智能工具包

    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

  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • 利用物理信息的神经网络和硬性约束进行微震源成像

    本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。

    Apr, 2023

  • 基于自动微分的耦合时序全波形反演方法研究及其在地下流问题中的应用

    本研究提出并应用了一种新颖的框架，通过结合全波形反演、地下流动过程和岩石物理模型来估计岩石渗透率和孔隙度等地下性质，其使用计算效率和编程效率的最佳平衡，并能够同时模拟岩石物理模型的参数，以预测储层的性能并优化储层管理。

    Dec, 2019

  • 地下能源系统中受物理启发的机器学习应用的批判性评论

    机器学习在计算机视觉、自然语言处理和语音识别等各个领域中被证明是一种强大的工具，然而，结合深度学习和物理学原理的物理约束机器学习技术的应用在地下能源系统产业，特别是在石油和天然气行业中展现了巨大的潜力，能提供更准确可靠的资源管理和运营效率的预测。

    Aug, 2023

  • 地震反演的基于坐标的学习方法：IntraSeismic

    介绍了 IntraSeismic，一种新颖的混合地震反演方法，具有 2D 和 3D 后处理地震反演中无与伦比的性能、快速收敛速率、无缝包含硬约束条件（即井数据）和执行不确定性量化的能力，同时还具备数据压缩和对反演模型部分的快速随机访问的潜力。通过合成和现场数据的应用验证了该方法的有效性。

    Dec, 2023

  • 3D 地震反演的深度压缩学习

    使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。

    Oct, 2023