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？

PDF
TL;DR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。
full-waveform inversionseismic imagingdeep learningelastic scatteringprobabilistic deep learning
发现论文，激发创造
  • 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

  • 弹性全波形反演多参数基准数据集 E^(FWI)

    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

  • 基于物理指导的编码器 - 求解器卷积神经网络的全波形反演

    根据观测边界数据估计给定领域中的波速分布是全波形反演（FWI）的一个反问题。为了降低计算复杂度，我们整合了一个基于卷积神经网络（CNN）的编码器 - 求解器预处理器的学习过程，该编码器 - 求解器被训练成有效地对离散化的 Helmholtz 算子进行预处理。通过在优化过程的迭代中重新训练 CNN，我们使编码器 - 求解器适应迭代演化的波速介质作为反演的一部分。我们使用高频数据演示了解决 2D 地球物理模型的 FWI 问题的方法。

    May, 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

  • 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

  • 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

  • Fourier-DeepONet：傅里叶增强深度算子网络，用于全波形反演，具有改进的准确性、普适性和鲁棒性

    本文介绍了 Fourier-DeepONet 的模型在地震波形反演中的应用实验结果，相较于已有的数据驱动 FWI 方法，该模型在不同频率和位置的源参数下表现出更高的鲁棒性和更准确的预测结果。

    May, 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