BriefGPT - AI 论文速递
·
通过预训练速度模型生成变换网络实现浅层到深层先验传播
💡
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
本文提出了一种基于生成扩散模型的全波形反演优化方法，结合地下速度模型与地震观测数据，提高模型重构精度。研究中使用生成对抗神经运算器（GANO）和深度学习技术，开发了条件地面运动合成算法（cGM-GANO），并在南加州地震中心和日本KiK-net数据集上验证了其有效性。结果表明，该方法在复杂地震速度反演中表现优异，能够生成高保真速度模型，提升地下结构的准确性和可靠性。
🎯
关键要点
- 提出了一种基于生成扩散模型的全波形反演优化方法，结合地下速度模型与地震观测数据，提高模型重构精度。
- 使用生成对抗神经运算器（GANO）和深度学习技术，开发了条件地面运动合成算法（cGM-GANO）。
- 在南加州地震中心和日本KiK-net数据集上验证了cGM-GANO的有效性，结果显示其在复杂地震速度反演中表现优异。
- cGM-GANO能够生成高保真速度模型，提升地下结构的准确性和可靠性。
- 研究中引入了Seismic Velocity Inversion Network (SVInvNet)，针对不同规模的训练数据集进行了地震速度反演研究。
- SVInvNet在包含750到6000个样本的数据集上训练，并在大型基准数据集上测试，取得了优异的性能。
- 通过物理原理指导的扩散模型，使用EdGeo工具包生成高保真速度图，微调机器学习模型。
- 引入概率技术量化迁移速度模型的不确定性，减少对准确初始速度模型的依赖。
- 使用深度生成模型作为地震学参数的先验分布，解决全波形反演中的非线性和非唯一的逆问题。
- 提出的反演-深度操作网络（Inversion-DeepONet）利用多种频率与位置的数据集，提升了模型对地质结构的描述与建模能力。
❓
延伸问答
什么是cGM-GANO算法，它的主要功能是什么？
cGM-GANO算法是一种条件地面运动合成算法，结合生成对抗神经运算器，能够根据震级、破裂距离等条件生成三分量振动加速度时间历程。
SVInvNet在地震速度反演中有什么优势？
SVInvNet采用增强型多连接编码器-解码器结构，能够有效处理复杂信息，解决非线性地震速度反演的挑战，并在较小的数据集上表现优异。
如何通过物理原理指导的扩散模型生成高保真速度图？
通过使用EdGeo工具包，结合物理原理指导的扩散模型，可以生成高保真速度图，用于微调机器学习模型。
该研究如何量化迁移速度模型的不确定性？
研究采用变分推理和条件归一化流方法，量化迁移速度模型的不确定性，并分析其对成像的影响。
全波形反演中的非线性和非唯一问题是如何解决的？
通过使用深度生成模型作为地震学参数的先验分布，结合变分贝叶斯推理方法，解决全波形反演中的非线性和非唯一问题。
反演-深度操作网络（Inversion-DeepONet）有什么创新之处？
Inversion-DeepONet利用多种频率与位置的数据集，提升了模型对地质结构的描述与建模能力，表现出优于现有FWI方法的准确性和泛化能力。
➡️
