摘要:
①本文主题:地震反演是地球物理分析的一个工具,为我们了解地球提供了一个窗户。特别是,它能为地理任务重建大规模地下地球模型,比如碳氢化合物勘探、采矿、地震分析、浅层危险评估。
②本文性质:这篇文章是一个关于用深度学习方法(DL)解决地震反演问题的综述,包括速度、阻抗、反射率模型重建、地震带宽扩展。
③本文内容:主要关于5个部分。
一是关于地震数据和地震反演,介绍其传播原理和反演典型方法:包括地震数据的来源和采集、地震正演问题和反演问题的关系、基于模型的典型方法(有层析成像、FWI、多尺度FWI);
二是关于DL方法,包括经验风险最小化、随机梯度学习、CNN、RNN、正则化;
三是提出两个解决FWI的方法=DL-based(以DL为主线,实现FWI)+DL-assisted(以FWI为主线,DL只在某个处理环节应用),用到编解码器、基于CNN网络、具有LSTM和GRU的基于RNN网络;
四是关于地震数据的特征提取,比如相似速度分析和地震频谱图、批处理与顺序数据处理;
五是提出更高级点的解决方案,包括基于GAN的、融合数值物理建模的DL模型,能实现无监督和半监督学习。
引言
主要回答三个问题:为什么要将模型高精度+为什么选择用DL方法解决FWI问题+本文结构
行文思路:
一是地震数据(引入机械扰动后接收到的响应),
获取地震数据,若使用侵入性方法有害且成本高,比如大规模的勘探钻井。
与其有关的学科:地理、地球物理、岩石物理等
目标:为获取可靠地下模型,用于地震学研究、碳捕获、碳氢化合物勘探(模型是钻井决策的关键输入)
二是当前问题
石油和天然气的开采成功率低,即使经过高昂技术分析,也是成功率仅30%左右;(需要高精度地下模型)
为了将工业中获得的CO2收集到专门修复储层,降低空气中的CO2缓解全球变暖问题。(需要高精度地下模型)
小结:以上回答为什么地下模型要提高精度:一是少打井,为减少破坏,也为降低成本。二是解决社会问题,比如石油天然气采集和碳捕获。
三是DL求解地震反演是一个新兴的领域,预计未来作为勘探中必需环节。
DL在非地震反演领域取得成果颇丰
DL作为数据驱动方法,优势是随着数据增长,效果一定优于其它技术
事实是,据IRIS-DMC同居数据显示,地震数据增长呈指数型(提供了数据基础)
小结:以上回答为什么选择用DL方法解决FWI问题:一是单独看DL近几年成果颇丰,二是DL在数据多时比其它方法效果好,三是地震数据最近几年持续增长,符合应用DL的条件。
本文结构:
Sec.2 | 地震波传播模型+信号处理概念 |
Sec.3 | 地震反演问题-问题、挑战 |
Sec.4 | 深度学习方法DL原则(?指什么) |
Sec.5 | DL反演的最新应用(DL-based+DL-assisted+特征提取) |
Sec.6 | 融合数值物理方法、GAN等DL反演 |
Sec.7 | 对基于DL的FWI总结创新点(是NSFC的研究方向) |