采用基于卷积神经网络（CNN）的深度学习模型 DispersioNET 进行雷利波相速散射曲线的联合反演，以预测与真实速度相匹配的剪切波（S波）速度剖面。
Oct, 2023
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
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
通过使用变压器（Transformer）为基础的深度学习模型，我们提出了一种名为Xi-Net的模型，它利用多方位的时间和频域输入来准确重建地震波形。我们通过填充随机间隙来证明该模型在120s波形中表现出色，与原始波形非常接近。
Jun, 2024
该研究解决了振动波数据处理中常见的“环效应”问题，该问题源于震源频带宽度的限制，影响了初至波的识别。论文提出了一种利用深度卷积神经网络（CNN）的新型去环模型，通过端到端的训练和跳跃连接来提升模型的训练效果并保留数据细节。实验证明，该模型有效减弱了环效应，扩展了振动波数据的频带，且在初至波拾取方面也有显著提升。
Aug, 2024
本研究针对现有全波形反演（FWI）中数据集的不足，提出了一种新颖的反演-深度操作网络（Inversion-DeepONet）。该方法利用多种频率与位置的数据集，提升了模型对地质结构的精确描述与建模能力。实验结果表明，所提出的网络在准确性和泛化能力上优于现有数据驱动的FWI方法。
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。
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。
Sep, 2024
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。