基于深度学习的震源域地震去融合
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
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
该研究提出了一种基于可解释的人工智能方法的自监督抑噪技术,利用导数矩阵中的像素平均值来识别最有效的抑噪掩码,从而实现无需标记或预先知识的全面自动抑噪过程。
Jul, 2023
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
本研究论文提出了一种融合数值求解器和深度学习组件的端到端框架,通过对神经网络架构、数据生成算法和Parareal算法的改进,无需牺牲速度,显著提高了性能。结果表明,时域动态和Parareal迭代在准确传播波动方面具有重要作用。
Feb, 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
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。
Aug, 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。
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。
Sep, 2024