本文介绍了基于贝叶斯神经网络的地震勘探首波拾取新框架。新框架在大量实验中得到了验证，具有更好的准确性和稳健性，并且此拾取结果的不确定性对人类决策提供了参考。
May, 2023
通过使用相对位置编码和低秩注意力矩阵，对StorSeismic模型的原有实现中的位置编码和自注意机制进行改进，取得了更快的预训练速度、竞争力强的微调结果以及更少的训练参数。
Aug, 2023
通过评估辅助信息对从地动记录中进行深度学习的过程的影响，本研究旨在评估深度学习模型在地动记录的深度学习中的有效性，并揭示了研究领域存在的一个缺口，即缺乏独立于任何辅助信息的单站地动记录的深度学习的稳健方法。
Mar, 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
该研究综述了利用深度学习（DL）作为解决地震工程中存在的挑战性问题的强大工具所引起的日益浓厚的兴趣，并通过讨论方法论的进步和探索不同研究主题中的各种DL应用，来揭示DL在地震工程研究和实践中的机遇和挑战。
May, 2024
本研究解决了在强震站缺乏平均剪切波速(Vs30)测量的问题，这可能导致地震灾害评估不准确。通过使用卷积神经网络(CNN)分析来自700多个站点的加速度计数据，提出了一种深度学习预测Vs30的新方法。研究结果表明，该方法的预测性能优于传统的基于手工特征的机器学习模型，具有重要的实际应用潜力。
Aug, 2024
本研究解决了传统方法在地震数据中分离地面波和反射波的复杂性问题。通过采用卷积神经网络（CNN）自动提取地面波和反射波特征的方法，显著提高了分离的有效性。实验结果表明，该方法具有良好的泛化能力，对合成和真实数据均有效。
Sep, 2024
本研究针对传统地震去混叠方法计算量大、参数设置复杂的问题，提出了一种基于深度学习的数据驱动方法，旨在提高去混叠的效率与准确性。通过构建卷积神经网络（CNN），该方法能够在近实时条件下实现与传统算法相比的优良去混叠效果，实验结果表明初始信噪比（SNR）显著影响最终去混叠的质量。
本文解决了海洋地震数据处理的高计算需求和繁琐步骤的问题，提出使用深度卷积神经网络（CNN）来去除地震干扰噪声和解混叠的创新方法。研究的主要发现是，通过转向公共通道域，显著提高了去混叠的效率和结果质量，尤其在信噪比低的情况下表现良好。
本研究针对大规模地震数据处理中的去融合问题，提出了一种基于深度学习的新方法，结合了高质量训练数据生成策略和数据条件化技术，以提升数据驱动模型的性能。研究发现，该方法在去除深部混叠声方面显著减少了主要源事件的泄漏，并在效率上优于传统算法。