Dec, 2023

WISE: 基于井下扩展的全波形变分推断

PDF
TL;DR引入一种概率技术，采用变分推理和条件归一化流方法来量化迁移速度模型的不确定性及其对成像的影响。通过将生成人工智能与物理启发式共享图像聚合相结合，减少对准确初始速度模型的依赖。考虑的案例研究证明了其在生成与数据条件相关的迁移速度模型时的有效性，并用于量化后续成像过程中的振幅和定位效果。
发现论文，激发创造
  • 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

  • 利用生成扩散模型的先验正则化全波形反演

    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。

    Jun, 2023

  • 一种无监督的深度学习方法用于波动方程反问题

    通过深度神经网络的无监督学习方法，提出了一种重构地下物理速度参数的方法，不需要标记的训练数据集，表现优于传统方法。

    Nov, 2023

  • 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

  • 基于不完整的井和成像地震观测数据的生成地统计建模与扩散模型

    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

  • 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

  • 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

  • 基于独立领域自监督学习简化全波形反演

    本文发现了一个惊人的现象：当通过自监督学习分别为地震数据和速度图像训练编码器和解码器时，在潜在空间中观察到跨域的线性关系。基于这些发现，我们提出了 SimFWI，它包括两个步骤：通过多个数据集上的遮蔽图像建模分别学习地震编码器和速度解码器；为每个数据集学习一个线性映射。实验结果表明，SimFWI 可以实现与联合训练模型相当的结果。

    Apr, 2023

  • 理解和加速基于粒子的变分推断

    本文从 Wasserstein 梯度流的角度探索基于粒子的变分推断方法，并在理论和实践上做出了贡献，揭示了现有方法的假设和关系，并提出了一个加速框架和一个基于开发理论的有原则的带宽选择方法，这些方法利用了 Wasserstein 空间的几何，实验结果表明了加速框架的改善收敛和带宽选择方法提高了样本准确性。

    Jul, 2018