全波形反演的深度学习方法: 第 5 章端到端的方法

最新推荐文章于 2024-10-15 21:54:04 发布

闵帆

最新推荐文章于 2024-10-15 21:54:04 发布

阅读量1.2k

点赞数 3

分类专栏：地震反演文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/minfanphd/article/details/129706515

版权

地震反演专栏收录该内容

15 篇文章 40 订阅

订阅专栏

摘要: 纯粹的端到端方法, 是指根据预先给定的训练数据, 即地震记录-速度模型对, 训练一个深度网络. 这本质上是一个离线 (offline) 的方式. 训练获得的模型, 可以很快进行预测.

1. 基本思想

可以把反演看作是图片的“风格迁移”, 类似于将猫的照片转换为卡通样式的猫. 地震数据就是原始图像, 而速度模型就是卡通图像.

优点: 与图像处理方式类似.
缺点: 需要非常多的数据. 可解释性较弱.

2. 基本结构

图 2 给出了一个典型的编码-解码器结构, 从多炮数据获得了速度模型.

图 1 [2]. 编码-解码器结构

参考文献

[1] W. Wang, F. Yang, J. Ma, Velocity model building with a modified fully convolutional network, in: SEG International Exposition and Annual Meeting, 2018, pp. 2086–2090.
[2] Y. Wu, Y. Lin, InversionNet: An efficient and accurate data-driven full waveform inversion, IEEE Transactions on Computational Imaging 6 (2020) 419–433.
[3] S. Feng, Y. Lin, B. Wohlberg, Multiscale data-driven seismic full-waveform inversion with field data study, IEEE Transactions on Geoscience and Remote Sensing 60 (2022) 1–15.
[4] M. Araya-Polo, J. Jennings, A. Adler, T. Dahlke, Deep-learning tomography, The Leading Edge 37 (1) (2018) 58–66.
[5] S. Li, B. Liu, Y. Ren, Y. Chen, S. Yang, Y. Wang, P. Jiang, Deep-learning inversion of seismic data, IEEE Transactions on Geoscience and Remote Sensing 58 (3) (2020) 2135–2149.