：深度学习 反演复杂速度模型
摘要：
基于几个基本函数的组合生成了具有推荐参数范围的构造模型,然后根据地下介质特征尺度参数模型分布的假设为生成的结构模型赋速度值（感觉可以为我设计介质特征尺度参数模型提供思路）
二维反演结果在速度值和地质构造形态等方面与真实模型吻合较好，证明了三维模型设计的合理性
引言：因此，获得准确的地震速度（介质特征尺度参数）模型已成为几十年来地球物理学家关注的热点问题（要突出反演介质特征尺度参数的重要性，可以说之前科学家重点关注在了速度模型反演 很重要但是介质特征尺度参数反演也不容忽视 考虑微结构相互作用对地震波的影响）
重要性可参考：对于解释地下构造具有重要意义，在研究地球地壳活动和近地表地质中起着至关重要的作用
反演：
地震全波形反演已成为复杂地质结构速度估计的一个有前景的工具。传统的地震全波形反演问题通常被视为非线性优化问题。解决全波形反演在计算上具有挑战性，主要有两个原因：一是计算成本昂贵，二是局部极小值问题。在这项工作中，我们开发了一种端到端的数据驱动反演技术，称为"InversionNet"，旨在从地震波形数据集到地下模型中学习一种回归关系。具体来说，我们构建了一种新颖的深度卷积神经网络，采用编码器-解码器结构，其中编码器学习地震数据的抽象表示，解码器使用这些表示来生成地下模型。我们进一步在网络结构中结合了空洞卷积，以便从地下模型中获取上下文信息。我们用合成地震波形数据评估了 InversionNet 的性能。实验结果表明，InversionNet 不仅产生了准确的反演结果，而且几乎实现了实时反演
引出经典传统的反演方法：FWI全波形反演，介绍 问题
估计地下速度分布的一种经典方法是通过全波形反演(FWI)，（该方法起源于20世纪80年代初。通过迭代最小化模拟数据与观测数据之间的数据不拟合，可以通过各种优化方法获得相应的速度模型[8]-[12]。在FWI理论的发展过程中，地震波场的综合研究往往需要复杂而真实的速度模型。通常，这种速度模型是由对地球上某一地区的地质条件有广泛了解的专家生成的。例如，勘探地球物理学中最著名和最标准的声速模型之一，即Marmousi模型，是由法国石油研究所(French Institute of Petroleum，简称IFP)于1988年创建的，其几何形状是根据Cuanz的地震剖面设计的安哥拉盆地[13]。2006年，根据不同岩性地层中纵波、横波速度与密度的经验关系，[14]进一步提出了弹性版Marmousi模型。其他流行的速度模型，如墨西哥湾的Sigsbee模型[15]和BP模型[16]，也是用一些特殊地质体作为模型样本的手工模型。考虑到建立这样的速度模型需要大量的经验、资源和努力，可以理解的是，只有少数几个现实的速度模型可供研究人员使用。随着各向异性介质等复杂现实条件下地震特性研究的深入，对更大尺度标准速度模型的需求是学术界和工业界潜在的研究兴趣
传统方法面临很多问题 从而引出比较智能先进的深度学习方法：近年来，随着深度学习技术的快速发展和计算机硬件的进步，深度神经网络(dnn)在许多领域显示出优于传统方法的性能。因此，最先进的深度学习技术已被应用于各种地震问题，包括地震数据的解释(例如[17]，[18])，首次到达的自动拾取(例如[19]-[21])和噪声衰减(例如[22]-[24])。深度神经网络的应用不仅可以为各种地震问题引入新的视角，而且有可能导致更有效的解决方案，从而解放相应地震数据处理过程中的人力劳动。
深度学习对于速度模型的研究现状（时间顺序）
地震速度反演的目的是利用观测到的地震资料得到地下的速度分布。在各种计算机视觉任务中的成功应用实例(例如[25]-[28])表明深度神经网络在处理地震反演问题的病态性方面具有巨大的潜力。因此，在这方面做了许多尝试。例如，（Araya-Polo等人[29]在2018年进行了初步尝试，通过训练DNN作为断层扫描算子来获得速度模型。他们通过将地震数据预处理成速度特征立方体，并通过统计方法对DNN输出进行后处理，以给出合理的速度模型，从而简化了任务。Wu等[30]将地震观测数据作为图像处理，采用端到端卷积神经网络(CNN，即InversionNet)模拟原始地震数据到速度模型的映射。这种编码器-解码器架构也被Zheng等人[31]应用于弹性速度模型反演，在横向一致模型上可以获得较好的反演结果。后来，Zhang等[32]提出了一种基于生成式对抗网络(GAN)的神经网络，其反演效果优于CNN架构。最近，Li等[33]通过分析地震数据的时间序列特性，提出了一种基于传统多层感知器神经网络(MLP)和CNN相结合的新型深度神经网络SeisInvNet，该方法在层状速度模型数据集上的反演效果优于基于CNN的方法。总的来说，有然而，上述所有
深度学习反演网络属于监督学习依赖于大量数据集深度学习反演网络都属于监督学习的范畴，其性能和泛化能力在很大程度上取决于训练数据集(例如，以地震观测数据和相应的速度模型作为标签)。由于计算机硬件的限制，目前对地震深度学习反演的研究主要基于小尺寸的简化速度模型，如用于训练InversionNet的FlatVel和CurvedVel数据集[30]，以及SeisInvNet论文中提到的SeisInv数据集[33]。此外，据我们所知，目前很少有公开可用的适合深度学习反演研究的速度模型集。因此，建立足够数量的具有复杂地质构造的地震速度模型成为这一研究方向的主要障碍
速度模型建立前人：基于高斯函数构建了折叠层，并使用椭圆坐标系构建了断裂结构
本文提出了一种自动生成任意数量的具有典型地质构造(如褶皱层、断层、盐体等)的复杂地震速度模型的算法
为了模拟复杂的速度模型，我们在构造褶皱模型的基础上进一步添加了断裂构造
建立复杂地质模型的另一种方法是在构造的折叠模型上添加盐体我们假设盐体从比模型底部更深的一层生长。在盐丘上升的过程中，盐丘上方的层会被填满，产生层状的变化
5进一步展示了盐模型的构建过程，主要包括两个步骤:a)在盐体侵入的影响下改变地质层的形状，b)添加盐体。
将折叠模型、纯断层模型和纯盐模型放在实验数据集中
参数值设计 分配
褶皱层速度取值范围为[1500 m/s ~ 4000 m/s]，盐体速度取值范围为4300 m/s ~ 4500 m/s。
•折叠层的速度值随深度增加而增加，相邻层间的速度差应大于200m /s。
•速度值从预定义范围中随机选择，遵循均匀分布
先建立模型再针对区域赋值
核心时设计三维复杂的速度模型
本工作的目标是建立一个适合训练深度学习反演网络的丰富数据集，通过该数据集可以从相应的地震观测数据中估计复杂的速度模型。从这个意义上说，所构建的速度模型被设计为包含常见的地质构造，如褶皱层、断层和盐体。在这里，我们通过随机选择参数的一些基本函数来模拟地质结构，从而得到一组具有丰富特征的速度模型，这些模型可能对深度学习网络训练有用。
此外，由于计算的限制，目前还没有深度学习反演代码可用于估计三维速度模型。因此，在本节中，我们将只使用最近发表的深度学习反演网络之一SeisInvNet[33]来测试本文算法构建的模型在二维中的应用效果
数据集包含三种速度模型，即折叠模型、断层模型和盐模型。最大层数设置为7层，单个模型中只包含一个断层或盐体
写文章可参考：
基于SeisInvNet的深度学习反演属于监督学习，需要地震观测数据作为网络输入，相应的二维速度模型作为标签。与SeisInvNet论文类似，损失函数是基于预测速度和真实速度的L2范数和MSSIM[45]来定义的。这样可以分别在速度值和地质构造相似度方面捕捉数据特征。
具体来说，学习率被设置为从5 × 10−5指数衰减到零，并且使用批大小为20的Adam优化器来训练网络参数。此外，将进行200次epoch的训练，并选择在验证集上表现最好的网络参数来构建最终网络。我们使用验证和测试数据集来演示所构建模型的反演性能
结果：此外，从测试数据集中随机选择网络预测作为示例，进一步评估深度学习的反演效果。如图10所示，网络预测结果与相应的真值解的虚拟对比表明，所生成的速度模型能够满足深度学习网络在速度反演任务中的要求。此外，垂直速度剖面对比表明，训练后的网络可以准确地反演二维速度分布，特别是对于褶皱层和盐层模型
（写文章，图可借鉴）
加噪声？进一步验证网络训练的有效性
为了验证我们的方法在噪声数据上的有效性，我们按照[33]中的实验设置进行了深度学习反演。我们在1360组地震数据中加入随机噪声，即原始数据的十分之一，并重新训练40个epoch的网络参数，以实现对噪声数据的微调。含噪数据的试验结果如图11所示。尽管信号比较复杂，但也能得到准确的预测结果
展望：
深度学习地震反演的最终目标是反演真实的观测数据，得到有利于地震界的良好速度估计
目前，我们只是根据地下构造的形状和位置创建尽可能多的复杂地质模型通过对地质构造动力形成机制的分析，使所构建的模型具有更高的地质正确性，从而更符合实际情况。例如，需要进一步研究地质构造设计和速度赋值假设，实现Marmousi模型等真实模型的自动构建，这将有利于深度学习反演算法在真实数据案例中的发展
总结：这篇文章就是自动构建复杂地震速度模型的大型数据库，该数据库可用于训练深度学习反演网络。包括常见的地质构造，如褶皱层、断层和盐体。 并在以前反演速度模型的网络训练验证数据集有效性
收获：关于深度学习反演的模型设计有了一些思路 可以也分为三大类褶皱 断层 盐丘 是用数学函数？ 还有论文结构 论文里面也有一些可以借鉴的内容逻辑
图可借鉴 模型真值 反演预测 还有折线图
问题：数学表达式多 速度模型是三维的公式太多 难理解
293
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
