BriefGPT - AI 论文速递
·
基于卷积神经网络的地震数据去混叠方法
💡
原文中文，约1500字，阅读约需4分钟。
📝
内容提要
该研究提出了多种基于深度学习的地震数据处理方法，包括半监督自我训练、卷积神经网络和新型反演网络，显著提高了盐体检测、速度反演及噪声抑制的准确性和效率，优于传统方法。
🎯
关键要点
- 该研究提出了一种半监督自我训练方法，利用未标记数据提高盐体检测的准确性。
- 使用卷积神经网络（CNN）检测和定位地震事件，有效解决低幅度震动噪声问题。
- 提出了一种基于可解释的人工智能的自监督抑噪技术，实现全面自动抑噪过程。
- 采用深度卷积神经网络（DCNN）进行三维地震反演，保持与全数据集相当的重建质量。
- 提出的Seismic Velocity Inversion Network (SVInvNet)在处理复杂信息和非线性速度反演方面表现优异。
- 结合卷积神经网络和注意力层的架构用于检测地震结构异质性，解决有限标注数据的问题。
- 提出的Xi-Net模型利用多方位输入准确重建地震波形，表现出色。
- 反演-深度操作网络（Inversion-DeepONet）提升了对地质结构的建模能力，优于现有FWI方法。
- 提出的新方法通过CNN分析加速度计数据，预测Vs30，优于传统机器学习模型。
- 采用CNN自动提取地面波和反射波特征，显著提高分离有效性，具有良好的泛化能力。
❓
延伸问答
该研究提出了哪些地震数据处理方法？
该研究提出了半监督自我训练、卷积神经网络和新型反演网络等多种基于深度学习的地震数据处理方法。
卷积神经网络在地震数据处理中有什么应用？
卷积神经网络用于检测和定位地震事件，有效解决低幅度震动噪声问题。
Seismic Velocity Inversion Network (SVInvNet)有什么优势？
SVInvNet在处理复杂信息和非线性速度反演方面表现优异，且在较少参数下取得了优异性能。
如何提高盐体检测的准确性？
通过半监督自我训练方法，利用未标记数据进行多轮训练，可以提高盐体检测的准确性。
该研究如何解决地震数据中的噪声问题？
研究提出了一种基于可解释的人工智能的自监督抑噪技术，实现全面自动抑噪过程。
Xi-Net模型的主要特点是什么？
Xi-Net模型利用多方位的时间和频域输入来准确重建地震波形，表现出色。
➡️
