BriefGPT - AI 论文速递
·
加速全波形反演的迁移学习
内容提要
本文探讨了全波形反演（FWI）中的波速分布估计，提出了一种基于卷积神经网络（CNN）的编码器-求解器预处理器，以降低计算复杂度。通过自监督学习和生成模型，提升了地下物理速度参数的重构精度，并展示了相较于传统方法的优势。此外，研究表明大数据对深度学习模型性能的提升效果显著。
关键要点
-
全波形反演（FWI）中的波速分布估计是一个反问题。
-
提出了一种基于卷积神经网络（CNN）的编码器-求解器预处理器，以降低计算复杂度。
-
通过自监督学习方法，重构地下物理速度参数，无需标记的训练数据集，效果优于传统方法。
-
基于弹性散射理论和深度学习技术，提出了一种增强解的准确性的时间谐波全波形反演方法。
-
发现了地震数据和速度图像之间的线性关系，提出了SimFWI模型，能够实现与联合训练模型相当的结果。
-
物理信息机器学习（PIML）算法在避免局部最小值方面优于传统方法，但对训练和测试数据的相似性要求较高。
-
使用生成扩散模型优化全波形反演，提高地下模型的重构精度。
-
Fourier-DeepONet模型在地震波形反演中表现出更高的鲁棒性和准确性。
-
研究表明大数据显著改善了深度学习模型在FWI中的性能和泛化能力，模型容量需根据数据规模调整。
-
EdGeo工具包生成高保真速度图，用于微调机器学习模型，优于其他现有方法。
延伸问答
全波形反演（FWI）是什么？
全波形反演（FWI）是一种通过观测边界数据估计波速分布的反问题方法。
如何降低全波形反演的计算复杂度？
通过整合基于卷积神经网络（CNN）的编码器-求解器预处理器，可以有效降低计算复杂度。
自监督学习在全波形反演中的应用效果如何？
自监督学习方法在全波形反演中能够重构地下物理速度参数，且无需标记的训练数据集，效果优于传统方法。
SimFWI模型的主要特点是什么？
SimFWI模型通过分别学习地震编码器和速度解码器，并在潜在空间中发现线性关系，能够实现与联合训练模型相当的结果。
大数据如何影响深度学习模型在FWI中的表现？
大数据显著改善了深度学习模型在FWI中的性能和泛化能力，模型容量需根据数据规模进行调整。
EdGeo工具包的作用是什么？
EdGeo工具包用于生成高保真速度图，以微调机器学习模型，表现优于其他现有方法。
