基于Eikonal方程的贝叶斯物理信息神经网络在地下成像中的应用
摘要：用于训练的地震数据的高成本限制了机器学习在地震层析成像中的应用。此外，由于噪声数据和数据匮乏所导致的反演不确定性在传统地震层析文献中较少讨论。为了减少不确定性影响并量化其对预测的影响，采用基于惯性方程的贝叶斯物理信息神经网络（BPINNs）来推断速度场和重构行程时间场。在BPINNs中，研究了包括Stein变分梯度下降（SVGD）和高斯变分推断（VI）在内的两种推断算法。几个基准问题的数值结果表明，BPINNs可以准确估计速度场，并以合理的不确定性估计良好地近似行程时间。这表明，BPINNs提供的推断速度模型可以作为地震反演和迁移的有效初始模型。
作者：Rongxi Gou, Yijie Zhang, Xueyu Zhu and Jinghuai Gao
论文ID：2203.12351
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-08-09