深度预训练FWI：将监督学习与物理启发式神经网络相结合
摘要：精确的速度模型对于获得良好的地震图像至关重要。传统的速度模型构建（VMB）方法依赖于反演方法，尽管广泛使用，但这些方法是欠定问题，需要密集和专业的人工监督。卷积神经网络（CNN）已广泛研究作为解决VMB任务的替代方法。文献中研究了两种主要方法：监督训练和物理信息神经网络（PINN）。监督训练存在一些泛化问题，因为结构和速度范围在训练和测试集中必须相似。一些工作将全波形反演（FWI）与CNN集成在一起，在PINN框架中定义了VMB问题。在这种情况下，CNN稳定了反演，并充当正则化器，避免了与局部极小值相关的问题，并在某些情况下省去了初始速度模型。我们的方法通过使用迁移学习来结合监督和物理信息神经网络，从而开始反演。预训练的CNN是通过使用简化的数据集进行基于监督的训练来捕捉初始FWI迭代的主要速度趋势而得到的。我们展示了迁移学习减小了过程中的不确定性，加速了模型收敛，并改善了迭代过程的最终分数。
作者：Ana Paula O. Muller, Clecio R. Bom, Jess''e C. Costa, Matheus Klatt, Elis^angela L. Faria, Marcelo P. de Albuquerque, M''arcio P. de Albuquerque
论文ID：2212.02338
分类：Geophysics
分类简称：physics.geo-ph
提交时间：2023-06-14