GlobalTomo: A global dataset for physics-ML seismic wavefield modeling and FWI
本研究推出首个面向全球地震波场建模与FWI的3D合成数据集GlobalTomo，通过建立ML基准验证了ML可突破全球FWI的计算局限，为跨学科研究地球内部提供支撑。
2025-10-02 physics.geo-ph
Coherent Source Subsampling: A Data-Driven Strategy for Restoring Causal-Acausal Symmetry in Ambient Seismic Wavefield Correlations
Centre for Earth Sciences, Indian Institute of Science（印度科学研究所地球科学中心）
本文提出相干源子采样方法，通过数据驱动策略恢复环境地震波场相关性中的因果-非因果对称性，提高短时被动调查的成像稳定性。
2026-02-15 physics.geo-ph
Observation Site Selection for Physical Model Parameter Estimation toward Process-Driven Seismic Wavefield Reconstruction
针对地震大数据计算成本过高的问题，提出基于D-最优准则与参数灵敏度的观测站点选择方法，用于精准估计物理模型参数以实现过程驱动的地震波场重建，验证了方法有效性。
2023-06-19 eess.SP physics.geo-ph
Reducing Frequency Bias of Fourier Neural Operators in 3D Seismic Wavefield Simulations Through Multi-Stage Training
本文针对三维地震波场模拟中FNO模型偏向低频的问题，提出多阶段FNO训练策略，通过第二阶段残差学习显著降低高频误差，从而提升地面运动模拟的精度与真实感。
2025-03-10 physics.geo-ph
Learned frequency-domain scattered wavefield solutions using neural operators
提出一种基于神经算子的频域散射波场建模方法，通过嵌入震源位置和频率信息并利用单一参考频率，在OpenFWI数据集上验证了其作为替代模型解决亥姆霍兹方程计算和内存挑战的潜力。
2025-03-30 physics.geo-ph
Seismic Wavefield Reconstruction based on Compressed Sensing using Data-Driven Reduced-Order Model
提出了一种基于数据驱动降阶模型的压缩感知地震波场重构框架，并通过数值实验研究了其特性。数据驱动ROM是使用奇异值分解从波场的数据集生成的。利用稀疏离散观测数据和数据驱动的ROM重构空间连续的地震波场，利用基于贪婪算法的线性反问题传感器优化方法有效地选择用于重构的观测点。将该框架应用于具有水平分层三层地下结构的理论波形模拟数据。基于无噪声观测的重建结果验证了该方法的有效性。由于ROM的波场被用作先验信息，重建误差被降低到本框架的近似误差下限，即使用于重建的传感器的数量是有限的，随机选择的。此外，所提出的框架得到的重建误差是远远小于高斯过程回归得到的。对于具有噪声污染观测的数值实验，重建的波场由于观测噪声而退化，但是由本框架获得的具有所有可用观测点的重建误差接近误差下限，即使使用高斯过程回归的重建波场完全崩溃。虽然重建误差大于使用所有观测点获得的误差，但是通过将其与传感器优化方法相结合，可以减少用于重建的观测点的数量，同时使重建数据的劣化和分散最小化。
2022-11-26 eess.SP physics.geo-ph
On extracting coherent seismic wavefield using variational symmetric autoencoders
本文提出变分对称自编码器SymAE，通过在潜空间中解耦相干震源信息与波形特定干扰信息，在不依赖反卷积的情况下从远震P波数据中提取高信噪比相干波场，并成功识别稳健震源信息、生成高分辨率虚拟地震图，适用于分析多次破裂的复杂地震。
2024-11-23 physics.geo-ph
Encoding the Subsurface in 3D with Seismic
本文提出基于MAE-ViT的自监督生成式AI方法处理3D叠后地震数据，实现地震特征语义分类与3D插值，利用开源数据集验证了技术潜力。
2024-03-20 physics.geo-ph
Coherence-based approaches for estimating the composition of the seismic wavefield
随着开发和应用利用地球环境地震噪声场的新技术，例如用于观测地震速度结构的时间变化，关键是量化可以进行波型测量的精度。这项工作使用阵列数据在Homestake矿铅，南达科他州和得克萨斯州的Sweetwater阵列考虑两个方面，控制这种精度：类型的地震波有助于在微震频率和阵列几何形状的影响的环境噪声场。两者都是量化使用测量站之间的波场相干性结合维纳滤波器。我们发现一个强大的体波和表面波的内容之间的季节性变化。关于包括地下车站，我们量化了环境噪声场可以表征和再现的下限;当地下站包括在阵列中时，维纳滤波器的应用在再现环境噪声波形方面成功约4倍，导致具有小于1%残差的地震时间序列的预测，并且最终受到阵列的几何形状和孔径以及地震场中的时间变化的限制。我们讨论了这些结果的影响，为地球物理社区进行环境地震噪声的研究，以及取消地震牛顿重力噪声在地面为基础的，亚赫兹，重力波探测器。
2019-11-27 gr-qc physics.geo-ph
Physics-informed Neural Networks with Fourier Features for Seismic Wavefield Simulation in Time-Domain Nonsmooth Complex Media
针对坐标神经网络频谱偏差限制高频地震波模拟的问题，提出结合傅里叶特征与随机梯度下降及波速替代模型的FF-PINNs框架，通过吸收边界条件约束，在非光滑复杂介质中实现高精度波场模拟。
2025-06-18 physics.geo-ph
AstroSeis -- A 3D Boundary element modeling code for seismic wavefields in irregular asteroids and bodies
我们开发了一个三维弹性边界元法（BEM）的计算机代码，称为AstroSeis，模拟地震波场在一个机构与任意形状，如小行星。除了AstroSeis可以处理任意表面地形外，它还可以处理小行星模型中的液体核心。在我们目前的代码中，固体和液体域都是同质的。对于震源，我们可以使用单个力或力矩张量。AstroSeis是在频域中实现的，并且可以容易地并入与频率相关的Q。代码在MATLAB中，可以直接设置模型来运行我们的代码。频域计算有利于研究天体在周期性力（如引潮力）作用下的长期弹性响应，且不存在其他许多需要体网格划分的方法所存在的数值频散问题。我们的AstroSeis已经通过了其他方法的基准测试，例如正交模求和和直接解方法（DSM）。这个开源的AstroSeis将是研究小行星内部和表面过程的有用工具。
2020-07-02 astro-ph.EP physics.comp-ph physics.geo-ph
DiffPINN: Generative diffusion-initialized physics-informed neural networks for accelerating seismic wavefield representation
Division of Physical Science and Engineering（物理科学与工程学院）；King Abdullah University of Science and Technology（卡布斯大学）
针对PINNs在地震波场建模中重新训练耗时且收敛缓慢的问题，提出基于潜在扩散的初始化策略，通过自编码器与条件扩散模型生成网络参数，显著加速训练并在多种速度场景下保持高精度。
2025-05-31 cs.LG physics.comp-ph physics.geo-ph
Deep learning velocity filtering for seismic data
针对传统地震速度滤波方法的局限，提出基于上行波和下行波分离的深度学习算法，通过线性变换处理任意速度差问题，在多种地震数据处理任务中展现出与传统方法相当甚至更优的通用性和实用性。
2025-04-27 physics.geo-ph
Deep Preconditioners and their application to seismic wavefield processing
KAUST（阿卜杜拉国王科技大学）
震测资料处理在很大程度上依赖于物理驱动的反问题的求解。在存在不利的数据采集条件（例如，源和/或接收器的规则或不规则粗采样），潜在的逆问题变得非常不适定，并且需要先验信息来获得满意的解。稀疏促进反演，再加上固定基稀疏化变换，代表了许多处理任务的方法，由于其简单的实施和证明成功的应用程序在各种采集方案。利用深度神经网络找到复杂多维向量空间的紧凑表示的能力，我们提出训练AutoEncoder网络来学习输入地震资料和代表性潜在流形之间的直接映射。训练后的解码器随后被用作手头的物理驱动的逆问题的非线性预处理器。合成和现场数据提出了各种地震处理任务和建议的非线性，学习的变换表现优于固定基变换和收敛速度更快的寻求解决方案。
2022-07-20 cs.LG math-ph math.MP
Upside down Rayleigh-Marchenko: a practical, yet exact redatuming scheme for seabed seismic acquisitions
本文提出倒置的Rayleigh-Marchenko方法，将空间积分改在采样更好的震源面上进行，从而在稀疏接收器条件下实现理论上精确的海底地震基准面重建，并通过合成数据验证其在成像质量和振幅保真方面的优势。
2024-01-11 physics.geo-ph
Variational Bayesian experimental design for geophysical applications: seismic source location, amplitude versus offset inversion, and estimating CO2 saturations in a subsurface reservoir
本文将变分贝叶斯实验设计引入地球物理，通过震源定位、AVO 反演和 CO2 储层饱和度估计验证其可同步计算并优化实验价值、降低计算成本。
2024-01-23 physics.geo-ph
A Joint Inversion-Segmentation approach to Assisted Seismic Interpretation
构造震波揭示和定量表征是历史上相互交织的过程。后者提供地下性质的估计，其可用于辅助与原始地震资料和许多其它地震属性一起的结构解释。在这项工作中，我们将这个过程重新定义为一个逆问题，它试图联合估计地下性质（即，声阻抗）和基于用户定义的宏类的地下的分段表示。通过同时对量进行反演，反演由关于感兴趣区域的先验知识准备，同时它用实际地震测量来约束这种信念。由于所提出的功能是可分离的两个数量，这些优化的交替方式，其中每个子问题是使用原始对偶算法解决。随后，每个类被用作工作流的输入，该工作流旨在提取检测到的形状的周长并产生独特的视野。通过对合成数据集和野外数据集的数值算例说明了该方法的有效性。
2021-02-07 physics.geo-ph
Neural machine translation of seismic waves for petrophysical inversion
本文提出一种基于语言模型的确定性岩石物理反演方法，将地震波速度测量解码为地下土壤参数文本描述，实现三维结构刻画与水位预测，精度接近常规方法且速度提升2000倍。
2024-11-20 physics.geo-ph
The Roles of Low-Noise Stations, Arrays and Ocean-Bottom Seismometers in Monitoring UK Offshore Seismicity associated with Subsurface Storage of Carbon Dioxide
School of Geosciences, University of Edinburgh（爱丁堡大学地球科学学院）
针对英国近海二氧化碳地下封存场地地震监测的难题，本研究采用贝叶斯实验设计框架评估多类台站与台阵的升级效果，发现海底地震仪（OBS）能显著提升定位精度，是优化近海微地震监测的最优策略。
2025-06-10 physics.geo-ph
Modelling strong seismic ground motion: three-dimensional loading path versus wavefield polarization
强震引起的地震波在地表土层中传播，既会降低土体刚度，又会增加进入土体的能量耗散。为了研究这种情况下的地震波放大，过去的研究一直致力于单向剪切波传播在土柱（一维传播），考虑一个运动分量（1C极化）。可以执行三个独立的纯1C计算（“1D-1C”方法），并且在弱运动（线性行为）的情况下直接叠加。本研究的目的是通过考虑地震波传播在一个1-D土壤剖面占的影响，3-D加载路径和土壤的非线性滞回特性的本地网站的影响进行研究。在所提出的“1D-3C”方法中，入射波的三个分量（3C偏振）同时传播到水平多层土壤中。一个三维非线性本构关系的土壤中实现的有限元法在时域的框架。土的复杂流变性是由Masing-Prandtl-Ishlinskiii-Iwan型的多表面循环塑性模型来模拟的。这种选择的最大优点是描述模型所需的唯一数据是模量降低曲线。进行参数研究，以表征由于入射波场特性和土壤非线性的地震运动的表层的变化。数值模拟表明，地震响应取决于几个参数，如极化的地震波，材料的弹性和动态性能，以及对层之间的阻抗对比度和频率的内容和输入运动的振荡特性。由于3C极化导致的3-D加载路径导致多轴应力相互作用，从而降低土壤强度并增加非线性效应。土壤的非线性特性可能对自由表面处的地震响应产生有利或不利影响，这取决于能量耗散率。自由表面的时间历程，应力-应变滞后环和八面体应力和应变的深度配置文件估计每个土柱。三个单独的1D…
2013-08-08 physics.class-ph physics.geo-ph
Robust data driven discovery of a seismic wave equation
本文提出 D-WE 方法，通过预训练神经网络、遗传算法和物理信息准则，从时空波场数据中自动发现波动方程结构及系数，并在含噪稀疏数据上验证了其鲁棒性。
2023-09-24 physics.geo-ph
SeparationPINN: Physics-Informed Neural Networks for Seismic P- and S-Wave Mode Separation
本文提出基于物理信息神经网络的无监督波场分离方法SeparationPINN，无需标签数据即可在均匀和非均匀介质中高效准确分离地震P波和S波。
2025-04-10 physics.geo-ph
Bayesian Physics-Informed Neural Networks for the Subsurface Tomography based on the Eikonal Equation
本文提出基于程函方程的贝叶斯物理信息神经网络（BPINNs），结合SVGD和高斯变分推断，在数据稀缺和噪声条件下实现速度场与走时场的不确定性量化估计，为地震反演和偏移提供可靠的初始模型。
2022-11-16 physics.geo-ph
Physics-informed waveform inversion using pretrained wavefield neural operators
Physical Science and Engineering division, King Abdullah University of Science and Technology（国王 Abdullah 科学与技术大学物理科学与工程部门）；School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院）
针对全波形反演计算成本高、神经算子加速方案结果含噪不稳定的问题，提出带物理约束损失的新型FWI框架，实验验证其在保持效率的同时提升了反演精度，推动实时地下监测应用。
2025-10-22 cs.LG physics.geo-ph
Multiresolution Analysis and Learning for Computational Seismic Interpretation
我们探讨了使用多分辨率分析技术作为纹理属性的地震图像表征，特别是在代表地下结构在大迁移地震数据。也就是说，我们探索高斯金字塔，离散小波变换，Gabor滤波器，和曲波变换。这些技术在荷兰海上F3块的地震结构标记案例研究中进行了检查。在地震结构标记中，使用纹理属性根据底层地下结构自动分割和分类地震体。我们的研究结果表明，多分辨率属性提高了标记性能相比，单独使用地震振幅。此外，方向性多分辨率属性，如曲波变换，是更有效的区分不同的地下结构在大地震数据集的非方向性属性，并可以大大帮助解释过程。
2019-01-31 eess.IV physics.geo-ph
Variational and Monte Carlo Methods for Bayesian Inversion of Dynamic Subsurface Flow Simulations Using Seismic and Fluid Pressure Data
University of Edinburgh（爱丁堡大学）
本文提出变分与蒙特卡洛方法用于基于地震和流体压力数据的地下流体储层反演，比较了多种方法的精度与效率，发现PSVI在精度和效率上表现良好，sSVGD在计算效率和避免模式崩溃方面更优。
2026-02-03 physics.geo-ph
Numerical Fréchet derivatives of the displacement tensor for 2.5-D frequency-domain seismic full-waveform inversion in viscoelastic TTI media
位移张量相对于地下的独立模型参数的导数，也称为Fréchet导数（或灵敏度核），是利用局部搜索优化算法进行地震全波形反演的关键成分。它们提供了由于给定勘测几何结构的地下模型参数的扰动而引起的地震图的预期变化的定量测量。由于2.5-D波场模拟涉及具有3D（球面）波特性的2-D地质模型中的真实点源，所以它产生的合成数据比通常使用的2-D波模拟更接近实际的实际场数据，2-D波模拟使用不现实的线源，其中波以圆柱形传播。基于我们最近发展的一般2.5-D波场模拟方案，我们应用摄动方法获得了一般粘弹性各向异性介质中2.5-D/2-D频率域地震全波形反演位移张量导数的显式解析表达式。然后，我们证明了所有这些衍生物在两种常见情况下的数值计算：（i）粘弹性各向同性和（ii）粘弹性倾斜横观各向同性（TTI）固体。不同的敏感性模式的各种衍生物的例子进行了研究，并比较了四个不同的同质模型，涉及2-D和2.5-D建模。
2022-12-15 physics.geo-ph
Least-squares RTM of a seismic-while-drilling dataset
理论上，最小二乘偏移可以减少采集足迹并改善地下结构的照明。它还可以在一定程度上恢复事件的振幅。但是，迁移操作符并不完整。换句话说，算子不跨越模型的整个范围，并且即使通过将成像作为逆问题，也不会恢复模型在算子的零空间中的部分。在地球物理术语中，在复杂的地下结构中，射线或波浪能将在某些区域中穿透不良，例如，盐下区域，该区域将是我们采集系统的阴影区。阴影区位于偏移算子的零空间中，并且该区域中的地下信息将不会被恢复。因此，在这项研究中，我们的目的是使用另一套数据，其射线路径是不同于地面地震。随钻地震（SWD）数据集是地表数据的补充，它通过将新的测量值添加到成像问题中来解决地震照明问题。在充分考虑SWD震源特征的相关性和非脉冲性的基础上，实现了SWD数据集的叠前最小二乘深度偏移。我们研究了SWD数据集的最小二乘逆时偏移的可行性及其在成像模型中位于地面震波收录阴影区的部分的潜力。
2019-02-19 physics.geo-ph
SeisBind: Physics-Aware Tri-Modal Representation Binding for Seismic Data via Contrastive Learning
The University of Tokyo Graduate School of Frontier Sciences（东京大学前沿科学研究生院）
SeisBind通过对比学习将地震数据与物理描述符结合，实现更可解释的地下速度模型构建。
2026-01-21 physics.geo-ph
DeFault: Deep-learning-based Fault Delineation Using the IBDP Passive Seismic Data at the Decatur CO2 Storage Site
提出深度学习方法DeFault，利用合成数据训练并迁移至现场数据，实现被动地震事件自动聚类与断层描绘，在迪凯特CO2封存站点验证了其准确性和效率，助力CCUS安全。
2024-11-05 physics.geo-ph
Electrical and seismic refraction methods: fundamental concepts, current trends, and emerging machine learning prospects -- A review
本文综述了电法与地震折射方法的基本概念和当前趋势，重点探讨机器学习在ERT与SRT联合分析中的应用及其对地下调查的改进作用。
2025-04-02 physics.geo-ph
SubsurfaceGen: Procedural Generation of Field-Scale Earth Models and Seismic Data
Stanford University（斯坦福大学）
提出SubsurfaceGen，一个GPU加速的3D速度模型与地震数据生成器，并发布包含4276个2D速度切片、5秒波场和8秒炮集记录的数据集，用于评估机器学习在全波形反演中的表现。
2026-05-28 cs.LG physics.geo-ph
A framework for subsurface monitoring by integrating reservoir simulation with time-lapse seismic surveys
本研究开发了一种耦合储层模拟与时移地震的方法，通过分离储层信号来跟踪流体前缘，以改进地下储层监测。
2023-08-30 physics.comp-ph physics.flu-dyn physics.geo-ph
Generative Geostatistical Modeling from Incomplete Well and Imaged Seismic Observations with Diffusion Models
Georgia Institute of Technology（佐治亚理工学院）
本文提出利用扩散生成模型，仅基于不完整井和地震观测合成高保真地下速度模型，无需完整训练数据，并能提供不确定性估计，为全波形反演提供支持。
2024-05-16 cs.AI cs.CV physics.geo-ph
Seismic monitoring of CO2 plume dynamics using ensemble Kalman filtering
本文利用集合卡尔曼滤波结合两相流动力学与时移全波形地震数据，对高维CO2储层羽流动态进行监测，显著提高了CO2饱和度估计精度，并为超参数选择提供了指导。
2024-09-08 physics.geo-ph
A Bayesian-based approach to improving acoustic Born waveform inversion of seismic data for viscoelastic media
在地震波形反演中，通常使用近似的波传播模型来执行地下属性的重建，以确保计算效率。地下的粘弹性性质往往是不考虑的，两个流行的近似-声学和线性玻恩反演-被广泛使用。这导致重建误差，因为近似忽略了非均匀地球中地震波传播的现实（物理）方面。在这项研究中，我们表明，贝叶斯近似误差的方法可以用来部分恢复错误，解决弹性和粘性效应的声学玻恩反演粘弹性介质。数值算例表明，忽略近似引起的模拟误差，地下速度场的恢复效果很差。
2019-11-04 physics.comp-ph physics.geo-ph
The Optimization and Application of The Propagated Riemannian Wavefield Extrapolator in VTI Media- Pseudo-Depth Domain Least-Squares Reverse-Time Migration
针对VTI介质中传统LSRTM计算耗时长、存在过采样和偏移假象的问题，提出黎曼域波场外推的伪深度域LSRTM方法，可在保证精度的同时降低计算成本、改善成像效果。
2023-05-01 physics.comp-ph physics.geo-ph
Methods for Large Scale Hydraulic Fracture Monitoring
在本文中，我们提出了计算效率和鲁棒性的方法来估计矩张量和位置的微震波迹象（s）的大搜索量。我们的贡献是双重的。首先，我们提出了一种新的联合复杂性的措施，即核规范的总和，同时施加稀疏的裂缝（位置）的数量在一个大的空间体积，也捕捉到的秩1性质的诱导波场图案。该波场模式被建模为源特征与来自震源的跨接收器的振幅模式的外积。因此，在每个位置处的估计的波场图案的秩-1因式分解可以用于使用阵列几何形状的知识来估计地震矩张量。与现有的工作相比，这种方法允许我们放弃任何其他假设的源签名。其次，我们利用最近提出的一阶增量投影算法的快速和有效的实施所产生的优化问题，并开发一个混合随机和确定性算法，从而导致显着的计算节省。
2013-09-09 cs.CE physics.geo-ph
Experimental evidence of auxetic features in seismic metamaterials: Ellipticity of seismic Rayleigh waves for subsurface architectured ground with holes
在过去的十年里，在地面的前十米处实施了具有规则网格的公制尺寸孔的结构性土壤在地震扰动下进行了理论和实验测试。最近还开发了在基层中嵌入刚性夹杂物的结构性土壤。这些夹杂物在地下的影响可以用不同的方式来描述：在具有地震超材料的聚焦效应的网络内重新分配能量，波反射，频率滤波，地震信号能量幅度的减小，在这里，我们首先提供一些时间-域分析的平面透镜效应结合某种形式的外部掩盖的瑞利波，然后我们实验表明，在地球表面水平上的表面瑞利波的椭圆率上的圆柱孔的有限网格。绘制了表面粒子速度在垂直（x，z）和水平（x，y）平面上的时域轨道图。这些结果使我们能够观察到，孔的网格局部创建椭圆的轴的倾斜，并改变粒子运动的方向。有趣的是，瑞利波椭圆率的变化可以解释为有效泊松比的变化。然而，源的接近度对于解释椭圆的形状也很重要。我们分析这些观测的波样式转换内的网格，我们建议扩大讨论的复杂性地震波现象的结构性土壤，如土壤基础和特定的耦合效应的土-结构相互作用。
2018-09-16 physics.app-ph physics.geo-ph
Transfer learning in large-scale ocean bottom seismic wavefield reconstruction
Georgia Institute of Technology（佐治亚理工学院）；China University of Petroleum - Beijing（中国石油大学（北京））
由于成本的考虑，在海底采集中实现期望的接收器采样通常是不可能的。假设足够的源采样是可用的，这是可以实现的凭借互惠和现代随机化（随机源）海洋采集技术的使用，我们是在一个位置，训练卷积神经网络（CNN），使接收器采样到相同的空间网格作为密集的源采样。为了完成这一任务，我们形成训练对组成的密集采样数据和人工二次采样数据使用互易参数和假设的源站点采样是密集的。虽然这种方法已成功地用于恢复单色频率切片，但其在实践中的应用需要时域数据的波场重建。尽管可以选择并行化，但如果我们决定为每个频率独立进行训练和恢复，这种方法的总体成本可能会变得过高。由于不同的频率切片共享信息，我们提出使用转移训练的方法，通过使用从相邻频率切片获得的CNN权重来热启动训练，使我们的方法在计算上更有效。如果两个相邻的频率切片共享信息，我们将期望训练得到改进并更快地收敛。我们的目的是证明这一原则进行了一系列精心挑选的实验上一个相对较大规模的五维数据合成数据体与宽方位角三维海底节点采集。从这些实验中，我们观察到，通过迁移训练，我们能够在训练中显着加速，特别是在相对较高的频率下，连续的频率切片更加相关。
2020-04-15 cs.LG eess.IV physics.geo-ph
Seeing through the CO2 plume: joint inversion-segmentation of the Sleipner 4D Seismic Dataset
提出一种集成全变分和分割先验的联合反演-分割算法，用于处理Sleipner 4D地震数据集，有效克服了数据噪声和缺失频率问题，实现了高分辨率声学模型构建与时间推移变化的体积分类。
2023-03-21 physics.geo-ph
Generative wave propagator
Division of Physical Science and Engineering（物理科学与工程学院）；King Abdullah University of Science and Technology（国王阿卜杜勒-阿齐兹大学科学与技术学院）
研究针对地震波场模拟，传统有限差分法受限，提出基于条件扩散的波场传播器，利用波场历史等条件训练网络直接预测下一快照，引入因果时间加权损失提升稳定性，实验表明该方法能准确再现波场并加速。
2026-07-07 cs.AI physics.geo-ph
WaveDiffusion: Joint Latent Diffusion for Physically Consistent Seismic and Velocity Generation
WaveDiffusion通过联合潜在扩散生成物理一致的地震和速度数据，利用扩散过程建模并验证了潜在空间中PDE一致性。
2026-01-09 physics.geo-ph
Using Convolutional Neural Networks to Develop Starting Models for 2D Full Waveform Inversion
使用全波形反演（FWI）的非侵入式地下成像具有通过使得能够恢复地下刚度的高分辨率2D/3D图而从根本上改变工程场地表征的潜力。然而，由于反问题的复杂性和非唯一性，FWI的精度仍然对初始启动模型的选择非常敏感。作为回应，我们提出了卷积神经网络（CNN）的新应用，将使用表面传感器的线性阵列直接获取的实验地震波场转换为2D FWI的鲁棒启动模型。我们首先描述用于开发CNN的三个关键步骤，其中包括：选择网络架构，开发合适的训练集，以及网络训练的性能。训练后的CNN预测2D FWI的合适起始模型的能力与经典近地表成像问题的其他常用起始模型进行了比较;识别起伏的双层土壤-基岩界面。在这项研究中开发的CNN能够预测复杂的2D地下图像的测试集直接从他们的地震波场的平均绝对百分误差为6%。当与其他常见方法相比时，CNN方法能够产生具有较小地震图像和波形失配的起始模型，在FWI之前和之后都是如此。使用更复杂的三层模型评估CNN推广到与训练它的模型不同的地下模型的能力。虽然CNN的预测能力略有下降，但它仍然能够实现与其他常用的初始模型相当的地震图像和波形失配。这项研究表明，CNN具有很大的潜力，可以作为开发FWI良好启动模型的工具。
2021-04-04 physics.geo-ph
Anomalous-diffusion synthesis of non-Gaussian reservoir anomalies for time-lapse seismic inversion
Universidade Federal do Rio Grande do Norte（北里奥格兰德联邦大学）
该研究开发基于物理知识的时移地震反演框架，针对现有方法无法捕捉储层反常输运特征的问题，引入时空分数扩散数据生成器，训练卷积神经网络，经验证能准确重建异常，扩展了4D地震反演适用性。
2026-07-27 physics.geo-ph
Multiscale Data-driven Seismic Full-waveform Inversion with Field Data Study
针对地震全波形反演计算成本高且易陷入局部极小值的问题，提出基于全卷积网络的多尺度数据驱动反演方法，通过风格转换生成训练集并分别重建速度模型的高低频分量，显著降低了计算时间并提高了模型精度。
2023-11-25 physics.comp-ph physics.geo-ph
SeisCoDE: 3D Seismic Interpretation Foundation Model with Contrastive Self-Distillation Learning
针对地震解释依赖人工、数据稀缺的问题，提出融合地震信号处理与属性分析的三维自监督预训练框架SeisCoDE，通过对比自蒸馏学习无标注表征，泛化性优于传统监督UNet，为地震解释基础模型应用提供新路径。
2025-06-17 physics.geo-ph
GeoFWI3D: Large-scale 3D Velocity Model Dataset for Deep Learning-assisted Seismic Imaging
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Uppsala University（乌普萨拉大学）；The University of Texas at Permian Basin（德克萨斯大学佩米安盆地分校）；King Fahd University of Petroleum and Minerals（法赫德国王石油与矿产大学）
GeoFWI3D是一个包含10,000个三维速度模型的开源基准数据集，旨在通过深度学习辅助地震成像和全波形反演，并提供多模态标签和基准任务以促进评估。
2026-10-02 physics.geo-ph
Robust joint full-waveform inversion of time-lapse seismic data sets with total-variation regularization
提出了一种利用全波形反演（FWI）从时移地震勘探数据重建地下速度模型变化的技术。该技术是基于同时反演多个调查年份，与模型差异正则化使用总变差（TV）的插值。我们比较了新的电视正则化的时间推移FWI与$L_2$正则化的联合反演在我们早期的工作中提出的，使用合成数据集，表现出调查的可重复性问题。结果表明，所提出的TV正则化联合反演的替代方法恢复生产引起的模型变化，是由于流体替代和地质力学效应的明显优势。
2014-09-29 physics.geo-ph
DiffusionInv: Prior-enhanced Bayesian Full Waveform Inversion using Diffusion models
本文提出DiffusionInv方法，将预训练扩散模型作为速度先验集成到贝叶斯全波形反演中，通过微调学习后验分布，以缓解多解问题、提升反演可靠性与泛化能力，并在Hess和Otway数据上验证了高分辨率恢复效果。
2025-05-06 physics.geo-ph
Decomposition and utilization of source and receiver ghosts in marine seismic reflection survey data
IHI Corporation（IHI株式会社）；Kyoto University（京都大学）
本研究通过镜像效应分解并利用鬼影信号，提高海洋地震数据的信噪比和带宽，以更清晰地成像地下结构。
2022-01-24 physics.geo-ph
Synergizing Deep Learning and Full-Waveform Inversion: Bridging Data-Driven and Theory-Guided Approaches for Enhanced Seismic Imaging
University of Malta（马耳他大学）
本综述探讨深度学习与全波形反演的集成，涵盖基础、应用与挑战，并展望混合、生成及物理信息模型等未来方向，以提升地下属性估计的准确性、效率与可靠性。
2025-02-24 cs.AI cs.CE cs.LG
Estimation of Acoustic Impedance from Seismic Data using Temporal Convolutional Network
在勘探地震学中，地震反演是指从地震数据推断地下物理性质的过程。物理性质的知识可以证明有助于识别地下的关键结构，以进行油气勘探。在这项工作中，我们提出了一个工作流程，预测声阻抗（AI）从地震数据使用的时间卷积网络的基础上提出的问题，作为序列建模的网络架构。所提出的工作流程克服了其他网络架构通常面临的一些问题，如递归神经网络中的梯度消失或卷积神经网络中的过拟合。所提出的工作流程用于预测Marmousi 2数据集上的AI，其中保持验证集上的平均$r^{2}$系数为$91\%$。
2019-06-06 eess.IV eess.SP physics.geo-ph
Coda-Wave Monitoring of Continuously Evolving Material Properties and the Precursory Detection of Yielding
散射波场的非相干尾波已被证明是一种非常灵敏的定量监测工具。然而，它的成功往往是由一个温和的速度扰动的假设，并在没有显着的变化，材料的散射性能。岩石基质的变形对于监测波场而言代表散射功率的显著变化。在这项工作中，我们介绍了一个滚动的参考波场时，应用尾波干涉（CWI）和尾波解相关（CWD），以监测相对速度和材料散射功率的变化。我们演示了这种修改如何使无侧限抗压强度（UCS）测试中常见的材料变形阶段的定性监测。除了变形的一般阶段之外，在CWI和CWD方法中，材料屈服的间接/微妙开始是可识别的。因此，预计这种方法将使这些尾波为基础的方法，以强大的监测连续的，破坏性的过程在各种规模。可能的应用包括断层、诱发地震、滑坡和关键基础设施监测。
2019-02-26 physics.geo-ph
