2023 12.23 ~ 2024 1.5 周报

最新推荐文章于 2024-11-02 08:49:56 发布

shengMio

最新推荐文章于 2024-11-02 08:49:56 发布

阅读量831

点赞数 19

分类专栏：周报文章标签： pytorch 深度学习

本文链接：https://blog.csdn.net/m0_56382522/article/details/135390323

版权

周报专栏收录该内容

22 篇文章 0 订阅

订阅专栏

本文详细介绍了作者研究的深度学习方法Deeplearningunflooding，针对盐下成像的难题，通过结合全波形反演(FWI)和全变分(TV)正则化，使用神经网络自动捕捉盐下速度特征。文章还讨论了训练数据集的构建和存在的问题，如ToS处的散射和初始模型对预测的影响。

摘要由CSDN通过智能技术生成

——说明：因旅游休息生病中间停了一周周报总结

一、本周计划

继续深入研读论文Deep learning unflooding for robust subsalt waveform inversion，主要理解盐下成像以及三个实验过程。看代码网络结构部分以及训练部分

二、完成情况

1. 文章目的：

盐丘速度建模及成像是盐下油气藏勘探有关技术瓶颈问题。本篇论文主要是解决盐下成像问题。这篇论文提供了一种在低频缺失和偏移有限的挑战性情况下 反演盐下速度的方法。

2. 论文使用的方法：

传统的全波形反演（FWI）以L2范数作为目标函数，直接匹配观测数据（ $eq?d_%7Bo%7D$ ）与从模型m获得的合成地震数据（ $eq?d_%7Bsyn%7D$ ）的差的平方（L2范数）。目标函数如下：

$J_{FWI}(m) = ||d_{o} - d_{syn}(m)||_{2}^{2}$ （1）

正则化方法——全变分（Total variation），也称为全变差，是图象复原中常用的一个名词。全变分TV可以保留地层的尖锐边缘。（TV)正则化的写法为：

$||m||_{TV} = | \triangledown m | = \sqrt{ \frac{\partial m}{\partial x} + \frac{\partial m}{\partial z} + \epsilon }$ （2）

在盐反演中，FWI通常与TV正则化相结合，以保持盐边界的尖锐边缘。将FWI（方程1）和TV（方程2）应用于淹没模型 $eq?%28m_%7BFlooded%7D%29$ 得出：

$J_{FWI+TV} (m_{Flooded}) = J_{FWI} (m_{Flooded}) + \lambda ||m_{Flooded}||_{TV}$ （3）

这里 $eq?%5Clambda$ 是平衡两个范数贡献的系数。最小化目标函数 $eq?J_%7BFWI+TV%7D%20%28m_%7BFlooded%7D%29$ 会揭示BoS的一些特征，例如BoS深度处的速度急剧下降。这些特征（速度下降）可以使用神经网络自动捕捉，以便解除BoS处的盐层。如果以回归方式训练网络，则网络将估计盐下速度。

图1：所提出方法的工作流程。从淹没模型开始，我们使用FWI和TV进行处理。然后，网络将解除模型的淹没状态，并预估盐下速度的近似值。最后，实现了另一个FWI对模型进行微调。

3. 神经网络

网络的输入由两个通道组成：淹没模型的FWI结果（即方程3的解：将FWI和TV应用于淹没模型得出）和用于反演的初始模型。通过使用初始模型的信息，将初始模型包含在输入中会影响不含盐区域的预测（？）。网络的输出将是未淹没模型。未淹没过程可以表示为：

$eq?m_%7BUnflooded%7D%20%3D%20%5Ctheta%20%28m_%7BFWI%7D%29$ （4）

其中 $eq?m_%7BFWI%7D$ 代表了淹没模型的FWI反演， $eq?%5Ctheta$ 表示网络。

对于训练，我们使用真实模型 $eq?m_%7BTrue%7D$ 作为我们的目标。通过最小化均方误差（MSE）损失来训练网络：

$eq?%5Ctheta%20_%7Bloss%7D%20%3D%20%5Cfrac%7B1%7D%7BN%7D%20%5Csum_%7Bi%3D1%7D%5E%7BN%7D%20%28m_%7BUnflooded%7D%20-%20m_%7BTrue%7D%29%5E%7B2%7D$ （5）

其中N表示批量大小。与通常用于分类的交叉熵损失不同，他只能捕获盐边界，而MSE还将近似于盐下速度。

4. 训练数据集

创建了8000个随机分层模型，其中至少有五层。为了模拟海洋设置，模型从1.5km/s的水流速度开始，通常随着深度的增加而增加。我们随机平滑了几个剖面，以增加训练样本的多样性。然后，将盐层以4.5km/s的速度随机添加到一些样本中。盐的厚度和位置也是随机确定的。留下一些不含盐体的样本，让网络学会区分含盐和不含盐的剖面。

为了将FWI与TV一起应用于生成的模型，我们使用8Hz主频的Ricker子波为每个模型合成一次震波源。由于我们假设岩盐后模型是已知的，因此我们使用真实模型作为我们FWI的初始模型，除了盐层以下，在那里我们淹没盐层速度。然后将反演结果用于训练网络。