20230710～20230714周报

最新推荐文章于 2024-06-28 13:50:59 发布

颜妮儿

最新推荐文章于 2024-06-28 13:50:59 发布

阅读量307

点赞数

文章标签：周报

本文链接：https://blog.csdn.net/Z__XY_/article/details/131718318

版权

本次周报主要用于巩固和总结在DL-FWI培训中学到的知识。

基础知识

全波形反演（FWI：Full waveform inversion）：通过检测到的地震数据直接推测地下结构。
速度模型：由于波在不同介质中的传播速度不同，所以可以用过速度模型来反映地层样貌。
地震数据：通过可控震源（可以控制发射波的能量和频率）在地面上发射波，并在地面上设置多个检波器（接收器）来获取反射回来的波，把每个检波器的数据拼接在一起得到地震数据。
在这里插入图片描述
地震数据（其中横轴的红点表示检波器，纵轴是时间）：

其中一个接收器得到的数据可以表现为：

一个检波器接收到的数据也是地震数据中的一个纵向向量，通常也被称之为道。
由于波在地下传播的过程中会发生反射、折射和相互干扰，我们通常使用的是多个炮形成的多个地震数据，由一个炮产生的地震图像，我们称为炮面图，如下图所示：
在这里插入图片描述

FWI的端到端深度学习方法：通过已知的地震模型和速度模型训练一个模型，如下图所示：
在这里插入图片描述
常用的数据集：

SEG盐体数据及其模拟数据：
OpenFWI数据集

InversionNet

InversionNet是一个端到端的FWI方法，在编码时，不断压缩图片的宽和高，直至得到一个512个 $1\times 1$ 的向量，这也说明了该网络并没有保留地震数据中空间和时间的相关性，然后对这个向量进行解码操作，得到大小为 $w\times h$ 的速度模型图像，他的网络结构如下图所示：
在这里插入图片描述

卷积操作主要用于提取有意义的特征，对具体的信息进行抽象；批处理操作可以加快网络收敛速度。LeaklyReLU解决了ReLU 的神经元死亡现象，它通过把x的非常小的线性分量给予负输入αx来调整负值的零梯度问题，此外其也扩大的函数的y的范围.
在这里插入图片描述
损失函数：
$\mathcal{L}_1(y,z) = \frac{1}{n}\sum_{i = 1}^{n}|y_i - z_i|，$
其中 $y_i$ 是真实速度模型值， $z_i$ 为预测速度模型值， $n$ 为速度模型中空间像素的数量。
评价指标：

FCNVMB

FCNVMB是基于UNet网络的FWI方法，所以依旧是一个端到端的结构，它的网络结构如图所示：

在这里插入图片描述

在编码操作时，一个卷积模块包含两组操作（每组有卷积操作、批处理操作和激活操作），在进行第一组卷积操作时，特征图的大小不变，通道数加倍，然后再进行第二组卷积操作；随后经过最大池化对特征图进行压缩（长宽各减半），通道数不变；当解码时，首先将压缩后的特征图进行反卷积操作，使长宽各在原来的基础上增加一倍，通道数不变，然后与编码过程中对应层的特征图进行拼接（通道数加倍），最后通过卷积模块操作，在第一组卷积操作时，大小不变，通道数减半。

FCNVMB与InversionNet的异同点：

相同点:

无论是FCNVMB还是InversionNet, 它们都是单一的端到端深度网络并没有利用更多的物理含义.
都采用了编码器-解码器的架构.
都是利用叠前多炮数据的不同炮集直接投入训练, 并未处理.

不同点:

InversionNet在编码的过程中最终将图像压缩为完全的一维向量, 抛弃了空间关联性; 而FCNVMB在压缩后仍保留了25 * 19的空间尺寸联. 但是对应的代价是FCMVMB的模型内存占有量很大, 难以进行大batch体量的训练; 而InversionNet可以非常灵活进行训练.
FCNVMB面向SEG数据, InversionNet面向部分OpenFWI的数据. 因为OpenFWI数据的特点, InversionNet有非常明显的高度降维部分.
FCNVMB使用了迁移学习的训练手段, 后者InversionNet是单一的训练思想.
FCNVMB采用了包含skip connection的UNet的架构, 而InversionNet是单一的CNN架构.