Dec, 2023

地震反演的基于坐标的学习方法：IntraSeismic

PDF
TL;DR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。
seismic imagingintraseismicseismic inversionacoustic impedance modeluncertainty quantification
发现论文，激发创造
  • 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

  • 学习多物理量反演的可微编程与机器学习

    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。

    Apr, 2023

  • 通过深度学习联合反演时间变化的地表重力和地震数据以监测三维 CO$_2$ 气体云层

    我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，该方法的目标应用是预测地下 CO₂羽流，作为监测 CO₂封存部署的补充工具，我们的联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建，准确的分割以及更高的 R-squared 系数，这些结果表明基于深度学习的联合反演是一种有效的 CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。

    Sep, 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

  • 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

  • 一种基于自动微分的地震反演通用方法

    本研究提出了基于反向模式自动微分的地震反演算法框架，该框架可以通过深度学习框架支持高性能反向模式自动微分，可应用于包括速度模型估计、震源成像、地震定位和震源函数重构等广泛的反演建模应用。

    Mar, 2020

  • 可控的地震速度合成使用生成扩散模型

    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

  • 基于深度生成先验的随机全波形反演用于不确定性量化

    利用深度生成模型作为地震学参数的先验分布，结合变分贝叶斯推理方法，解决全波形反演中的非线性和非唯一的逆问题，为地下结构提供了考虑内在不确定性的洞察。

    Jun, 2024

  • 弹性全波形反演：问题的物理学如何改善数据驱动技术？

    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

  • SVInvNet：一种用于地震波速逆演的密集连接编码器 - 解码器架构

    本研究提出了一种基于深度学习的地震速度反演方法，针对不同规模的嘈杂和噪声较小的训练数据集进行了研究。我们的 Seismic Velocity Inversion Network (SVInvNet) 引入了一种新的架构，其中包含了一个增强型的多连接编码器 - 解码器结构，该设计经过专门调整以有效处理复杂信息，从而解决非线性地震速度反演的挑战。通过训练和测试，我们创建了多层次、错误和盐穹模型等多种地震速度模型。我们还研究了不同种类的环境噪声以及训练数据集的大小对学习结果的影响。SVInvNet 在包含 750 到 6,000 个样本的数据集上进行了训练，并使用一个包含 12,000 个样本的大型基准数据集进行了测试。尽管参数较基准模型更少，但 SVInvNet 在该数据集上取得了优异的性能。我们还将 SVInvNet 的结果与全波形反演（FWI）方法进行了比较分析，清楚地展示了提出模型的有效性。

    Dec, 2023