使用卷积神经网络为二维完全波形反演开发起始模型
摘要：用全波形反演（FWI）进行非侵入性的地下成像，可以通过恢复高分辨率2D/3D地下刚度地图，从根本上改变工程场地特征的现状。然而，由于反问题的复杂性和非唯一性，FWI的准确性对于初始模型的选择非常敏感。为了解决这个问题，我们提出了卷积神经网络（CNN）的新应用，用于将使用线性表面传感器获取的实验地震波场直接转化为2D FWI的强健初始模型。我们首先描述了开发CNN所使用的三个关键步骤，包括：网络架构的选择，合适的训练集的开发，以及网络的训练性能。训练好的CNN能够用于预测适用于2D FWI的合适起始模型，并与其他常用的起始模型进行比较。在一个经典的近表面成像问题中，即识别起伏的两层土壤-岩石界面。本研究中开发的CNN能够直接从地震波场中预测出复杂的2D地下图像，其平均绝对百分误差为6\%。与其他常用方法相比，CNN方法能够产生具有较小的地震图像和波形不匹配的起始模型，无论是在FWI之前还是之后。使用一个更复杂的三层模型评估CNN对于与其训练模型不相似的地下模型的泛化能力。尽管CNN的预测能力稍微降低，但仍能够实现与其他常用起始模型相当的地震图像和波形不匹配。本研究表明，CNN具有将作为FWI起始模型的良好工具的巨大潜力...
作者：Joseph P. Vantassel, Krishna Kumar, and Brady R. Cox
论文ID：2104.01626
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2022-06-01