弹性全波形反演中的多分量低频外推的深度学习
摘要：弹性FWI中准确的起始模型对成功至关重要: 周期跳跃现象在弹性FWI中比声波FWI更为严重，因为S波的波长较短。本文在外推FWI（EFWI）的基础上，提出了一种合成多分量弹性地震记录低频的方法，并将这些“人工”低频用于弹性FWI的频率扫描。我们的解决方案涉及深度学习：我们分别在两个训练数据集上训练了相同的卷积神经网络（CNN），一个包含垂直分量，一个包含水平分量的粒子速度，用于外推弹性数据的低频。这个CNN的架构通过大的卷积核或扩张卷积设计了一个大的感受野。在Marmousi2模型上的数值实验表明，从4Hz以上有限频带的数据外推的2-4Hz低频数据为P波和S波的弹性FWI提供了良好的起始模型。此外，我们研究了所提出的神经网络在不同物理模型上的泛化能力。对于弹性测试数据，通过弹性模拟收集训练数据集比声波模拟具有更好的外推精度，即更小的泛化差距。
作者：Hongyu Sun and Laurent Demanet
论文ID：2101.00099
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-10-14