Geophysical inverse problems with measurement-guided diffusion models
KAUST(阿卜杜拉国王科技大学)
本文针对地震插值与地震反演,比较 DPS 与 PGDM 两种测量引导扩散采样算法,证明重参数化和训练先验是关键,且 PGDM 以有限额外成本表现更优。
2025-01-08 cs.LG physics.geo-ph
Constraining the shape of a gravity anomalous body using reversible jump Markov chain Monte Carlo
典型的地球物理反演问题是不适定的、非线性的和非唯一的。有时问题是跨维的,其中未知参数的数量是未知数之一,这使得逆问题更具挑战性。从重力异常中探测地表下的地球物理目标的形状是这样一个复杂的问题,其中几何参数的数目是未知数之一。为了解决非唯一性、病态性和非线性等问题,采用了统计贝叶斯模型推理方法。提出了一种可逆跳马尔可夫链蒙特卡罗(RJMCMC)算法,以克服跨维的困难。精心设计的模型内和模型之间的马尔可夫链移动的实施,以减少产生不可接受的几何形状的速率,从而实现良好的整体效率在蒙特卡洛采样器。二维问题的数值实验表明,所提出的算法是能够获得令人满意的解决方案与量化的不确定性,具有挑战性的跨维地球物理反问题。从RJMCMC的解决方案似乎是吝啬的给定的先验,在这个意义上说,令人满意的模型代表真正的模型,具有较高的后验概率的模型往往有较少的参数。所提出的数值算法可以很容易地适用于其他类似的跨维地球物理反演应用。关键词:跨维地球物理反演;可逆跳马尔可夫链蒙特卡罗;重力异常。
2010-02-24 physics.data-an physics.geo-ph
Accelerating innovation with software abstractions for scalable computational geophysics
本研究提出SLIM开源软件框架,通过多层抽象构建可扩展的计算地球物理研发环境,支持波动方程类反问题研究,可在多种地球物理应用中发挥作用并便于外部软件集成。
2022-03-28 cs.MS physics.comp-ph physics.geo-ph
Summary statistics from training images as prior information in probabilistic inversion
提出了一种将概念地质模型中的先验信息用于地球物理数据概率反演的策略。概念地质模型由多点统计训练图像(TI)表示,具有预期的岩性单元和构造模式。来自TI实现的集合的信息以两种不同的方式使用。首先,通过分析实现中的频率内容来识别主导模式,这大大减少了频率-幅度域中的模型参数空间。其次,使用全局汇总度量(例如模型粗糙度)的分布来制定先验概率密度函数。逆问题是制定在贝叶斯框架和后验概率分布抽样使用马尔可夫链蒙特卡罗模拟。该方法的实用性和适用性证明了两个案例研究中,合成井间探地雷达走时数据反演恢复2-D孔隙度场。使用来自TI的先验信息通过去除反演伪影和改善个体参数估计来显著增强后验模型的可靠性。所提出的方法减少了高维参数空间反演中固有的模糊性,适应了广泛的汇总统计和地球物理正演问题。
2017-01-05 physics.geo-ph stat.ME
Physics-driven Deep Learning Inversion for Direct Current Resistivity Survey Data
针对直流电阻率反演的不适定性及标签缺失问题,提出基于电场传播物理规律的无监督深度学习反演方案,嵌入正演过程、加入动态平滑约束并结合迁移学习,可准确定位刻画地质目标。
2022-11-02 physics.geo-ph
Forward and inverse problems for Eikonal equation based on DeepONet
针对地震程函方程正演反演传统方法效率低、机器学习法需随初始条件重训的问题,提出用不同结构DeepONet分别求解两类问题,可在不同初始条件下实现走时场预测与速度模型反演,提升了预测效率与泛化性。
2023-06-09 physics.geo-ph
Flexible quasi-2D inversion of time-domain AEM data, using a wavelet-based complexity measure
正则化方法通过引入解的一些先验特征,如光滑性或尖锐性,提高了不适定反问题的稳定性。在这篇文章中,我们提出了一个多维的,基于尺度的小波L1正则化项,以治疗航空(时域)电磁感应逆问题的不适定性。正则化项是灵活的,因为它可以基于合适的小波基函数恢复块状、平滑和可调的中间反演模型。对于每个方向,可以使用不同的小波基函数,引入额外的相对正则化参数。我们提出了一种校准方法来确定(受过教育的初始猜测)这个相对正则化参数,这减少了优化这个参数的需要,因此,整体计算时间是可控的。我们将我们的新方案应用于比利时盐水入侵背景下的时域航空电磁数据集,但该方案同样适用于任何其他2D或3D地球物理逆问题。
2023-01-25 physics.geo-ph
Multi-Objective Bayesian Optimisation and Joint Inversion for Active Sensor Fusion
The University of Sydney(悉尼大学)
在用于矿物和能源资源勘探的数据采集中的关键决策过程是如何有效地组合各种传感器类型并使总成本最小化。我们提出了一个多目标优化和逆问题的概率框架,给出了一个昂贵的成本函数分配新的测量。这种新方法的目的是联合解决多线性正演模型的二维传感器数据和三维地球物理属性使用稀疏高斯过程内核,同时考虑到交叉方差的不同参数。多个优化策略进行了测试和评估的一组合成和真实的地球物理数据。我们展示了联合反问题的一个具体例子上的优势,建议在哪里放置新的岩心测量给定的二维重力和磁性传感器数据,同样的方法可以应用于各种遥感问题的线性正演模型-从限制表面访问数据采集的约束,自适应多传感器定位。
2020-10-12 cs.LG physics.data-an physics.geo-ph
Generative modeling of seismic data using diffusion models and its application to multi-purpose posterior sampling for noisy inverse problems
针对地球物理含噪反问题的多解性与不确定性量化需求,提出基于无条件扩散模型和非马尔可夫采样的无监督多用途后验采样方法,实现快速、高质量、自适应噪声的地震数据生成与优越泛化。
2025-06-15 physics.geo-ph
RED-DiffEq: Regularization by denoising diffusion models for solving inverse PDE problems with application to full waveform inversion
Department of Statistics and Data Science, Yale University(耶鲁大学统计与数据科学系);School of Data Science and Society, University of North Carolina at Chapel Hill(北卡罗来纳大学夏洛特分校数据科学与社会学院)
RED-DiffEq通过去噪扩散模型正则化方法,提升求解受偏微分方程约束反问题的精度和鲁棒性,并应用于全波成像中
2026-03-01 cs.LG physics.geo-ph
Wave-equation-based inversion with amortized variational Bayesian inference
解决涉及测量噪声和建模误差的逆问题需要正则化,以避免数据过拟合。地球物理反演问题,其中地球的高度异质结构是未知的,提出了一个挑战,通过解析表达式编码先验知识。我们的主要贡献是一个基于生成模型的正则化方法,强大的分布外的数据,利用现有的数据和模型对嵌入的先验知识。利用摊销变分推理目标,条件归一化流(NF)的预训练对低和高保真度的迁移图像,以实现低保真度近似的震波成像后验分布以前看不见的数据。在预训练之后使用NF以在涉及物理引导的数据失配和NF潜变量的高斯先验的反演方案中重新参数化未知的地震图像。解决这个关于潜在变量的优化问题使我们能够利用数据驱动的条件先验的好处,同时获得物理和数据的信息。数值实验表明,所提出的反演方案产生的地震图像与有限的伪影时,处理噪声和分布外的数据。
2022-03-29 physics.geo-ph
Physics-Trained Neural Network as Inverse Problem Solver for Potential Fields: An Example of Downward Continuation between Arbitrary Surfaces
Delft University of Technology(代尔夫特理工大学);Commonwealth Scientific and Industrial Research Organization (CSIRO)(英联邦科学与工业研究组织);Guizhou University(贵州大学)
本文将向下延拓建模为反问题,提出一种物理训练的深度神经网络,将向上延拓过程硬编码到学习框架中,无需真值数据即可在合成与实测磁测数据上实现任意曲面间的向下延拓。
2025-01-26 cs.LG physics.geo-ph
Information theory, Signal Analysis and Inverse Problem
本开放获取教材用于信号分析与反问题教学,当前以地球物理案例讲解,后续将拓展至生物学内容,将每六个月持续更新,提供多语言版本与配套MATLAB代码。
2024-12-11 physics.bio-ph physics.geo-ph
Generalized statistics: applications to data inverse problems with outlier-resistance
数据驱动反演框架的传统方法是基于高斯统计的,这带来了严重的困难,特别是在测量中存在异常值的情况下。在这项工作中,我们提出了极大似然估计与广义高斯分布的背景下,Rényi,Tsallis和Kaniadakis统计。在这方面,我们通过所谓的影响函数分析了每个提案的异常阻力。通过这种方式,我们通过构造与极大似然估计相关联的目标函数来制定逆问题。为了证明广义方法的鲁棒性,我们考虑了一个重要的地球物理逆问题,高噪声数据与尖峰。结果表明,最好的数据反演性能发生时,熵指数从每个广义统计量与目标函数成正比的误差幅度的倒数。我们认为,在这样的限制,这三种方法是抵抗离群值,也是等效的,这表明了较低的计算成本的反演过程中,由于要执行的数值模拟的减少和快速收敛的优化过程。
2022-01-28 cond-mat.stat-mech math.ST physics.comp-ph
A Spectral-Domain Pseudo-Inverse Construction Method for Unitary Diagonalizable Linear Inverse Problems
School of Earth Sciences, Zhejiang University(浙江大学地球科学学院)
针对大规模酉可对角化线性反问题求解的计算难题,提出一种谱域伪逆构造方法,通过解析SVD与谱域滤波构建稳定伪逆,等价于零阶Tikhonov正则化且收敛于Moore--Penrose广义逆,为这类问题提供高效求解途径。
2026-07-30 cs.NA math.NA physics.geo-ph
Robust Estimation of Structural Orientation Parameters and 2D/3D Local Anisotropic Tikhonov Regularization
本文提出一种联合估计二维/三维结构方位与模型参数的变分方法,通过交替方向乘子法和自适应各向异性 Tikhonov 正则化提升反演分辨率与地质构造表征精度。
2024-09-09 physics.geo-ph
Reliable amortized variational inference with physics-based latent distribution correction
Georgia Institute of Technology(佐治亚理工学院);Utrecht University(乌得勒支大学)
高维逆问题的贝叶斯推断计算量大,需要选择合适的先验分布。摊销变分推断通过一个神经网络来解决这些挑战,该神经网络不仅可以近似一个数据实例的后验分布,还可以近似与特定逆问题有关的数据分布。在推理过程中,神经网络--在我们的例子中是一个条件规范化流--几乎没有成本地提供了后验样本。然而,摊销变分推断的精度依赖于高保真训练数据的可用性,由于地球的非均匀性,这在地球物理反问题中很少存在。此外,如果对分布外的数据进行评估,网络容易出错。因此,我们建议在适度的数据分布变化的情况下增加摊销变分推断的弹性。我们通过对潜在分布的校正来实现这一点,该校正改善了手头数据的后验分布近似。校正涉及放松对潜在分布的标准高斯假设,并通过具有未知均值和(对角)协方差的高斯分布对其进行参数化。然后通过最小化校正后的和(基于物理的)真实后验分布之间的库尔贝克-莱布勒散度来估计这些未知量。虽然通用和适用于其他反问题,通过一个线性化的地震成像的例子,我们表明,我们的校正步骤提高了鲁棒性的摊销变分推断的地震源的数量,噪声方差,并在先验分布的变化。这种方法提供了一个地震图像与有限的文物和评估其不确定性在大约相同的成本为五个逆时迁移。
2023-01-18 cs.LG physics.geo-ph stat.ML
Deep learning electromagnetic inversion with convolutional neural networks
Curtin University(科廷大学)
地球物理反演试图通过在地表或地表以上收集的观测数据来估计地球内部的物理特性分布。反问题通常是高维参数空间中的最小二乘优化问题。现有的方法主要是基于确定性的基于梯度的方法,这是有限的非线性和非唯一性的反问题。概率反演方法尽管在不确定性量化方面具有巨大潜力,但仍然是一项艰巨的计算任务。在本文中,我探讨了深度学习方法在电磁反演中的潜力。这种方法不需要计算梯度,并立即提供结果。基于全卷积架构的深度神经网络在通过全三维模拟获得的大型合成数据集上进行训练。该方法的性能表现在代表陆上受控源电磁CO2监测方案的强实际相关性的模型上。预训练的网络可以可靠地估计异常的位置和横向尺寸,以及它们的电阻率特性。几种完全卷积网络架构在准确性,泛化和训练成本方面进行了比较。具有不同测量几何结构和噪声水平的示例证实了深度学习反演的可行性,从而为实时估计地下电阻率分布提供了可能性。
2018-12-26 cs.LG cs.NE physics.geo-ph
2D Basement Relief Inversion using Sparse Regularization
Federal University of Rio Grande do Norte(格兰德河联邦大学)
本文研究二维基底起伏重力反演中的不适定问题,比较平滑约束、全变差、DCT和DWT等稀疏正则化方法,并结合遗传算法优化棱柱体深度,结果表明平滑约束在合成模型中效果最佳。
2024-10-19 cs.LG math.OC physics.geo-ph
Learning to regularize with a variational autoencoder for hydrologic inverse analysis
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
逆问题通常涉及使用物理模型匹配观测数据,该物理模型将大量参数作为输入。这些问题往往是欠约束的,需要正则化,在参数空间中的解决方案上施加额外的结构。正则化的一个主要困难是将这个附加结构的复杂概念模型转换为用于逆分析的函数数学形式。在这项工作中,我们提出了一种正则化的方法,涉及一种机器学习技术,称为变分自动编码器(VAE)。VAE被训练为将具有简单结构的低维潜在变量集合映射到具有复杂结构的高维参数空间。我们训练一个水文反问题的参数的无条件实现的VAE。这些无条件实现既不依赖于用于执行逆分析的观测数据,也不需要物理模型的任何正向运行,从而使生成训练数据的计算成本最小。这种方法的主要好处是,然后对来自VAE的潜在变量进行正则化,可以简单地进行正则化。这种方法的第二个好处是VAE减少了优化问题中的变量数量,从而在伴随方法不可用时使基于梯度的优化在计算上更有效。在对潜变量执行正则化和优化之后,VAE然后将问题解码回原始参数空间。我们的方法构成了一个新的框架,正则化和优化,适用于广泛的反问题。我们称之为RegAE。
2019-06-06 cs.LG physics.comp-ph physics.geo-ph
An outlier-resistant $κ$-generalized approach for robust physical parameter estimation
在这项工作中,我们提出了一个强大的方法来减轻异常值产生可靠的物理模型所造成的不良影响。这样,我们制定的反问题理论的上下文中Kaniadakis统计力学(或$κ$ -统计),其中经典的方法是一个特殊的情况。在这方面,假设误差根据有限方差$κ$ -广义高斯分布来分布。基于概率最大似然方法,我们推导出一个与有限方差$κ$ -高斯分布相关的$κ$ -目标函数。为了证明我们的建议的离群电阻,我们分析的鲁棒性的$κ$目标函数的帮助下,所谓的影响函数。在这方面,我们讨论的作用的熵指数($κ$)与Kaniadakis $κ$ -熵的有效性推断的物理参数,通过使用强噪声数据。这样,我们考虑了一个经典的地球物理数据反演问题在两个现实的情况下,其中第一个是指研究我们的建议的敏感性输入参数的不确定性,第二个是专门的地震数据集的反演污染的异常值。结果揭示了在极限$κ\rightarrow 2/3$处的最佳$κ$ -值,其与最佳结果相关。
2021-11-18 cond-mat.stat-mech physics.data-an physics.geo-ph