Multiscale transform based seismic reflectivity inversion using convolutional neural network
本研究提出基于多尺度傅里叶变换的地震反射率反演方法,无需子波提取、井控与初始模型,可直接用于深度偏移数据,反演得到的带限阻抗与测井结果吻合度高。
2025-06-12 physics.geo-ph
Joint Learning for Spatial Context-based Seismic Inversion of Multiple Datasets for Improved Generalizability and Robustness
地震反演在地震资料的精细地层解释中起着非常有用的作用。地震反演能够估计整个地震剖面上的岩石性质。传统的和基于机器学习的地震反演工作流限于独立于其他道来反演每个地震道以估计阻抗剖面,从而导致在地震资料中存在噪声和大的地质变化的情况下的横向不连续性。此外,如果模型在少量井上训练,则基于机器学习的方法会遇到过拟合的问题。我们提出了一个双管齐下的战略来克服这些问题。我们提出了一个时间卷积网络模型地震道时间。我们进一步注入空间背景为每个轨迹到其估计的阻抗分布。为了解决有限标记数据的问题,我们还提出了一种联合学习方案,即多个数据集同时用于训练,彼此共享有益的信息。这导致了所有数据集上的泛化性能的提高。我们提出了一个使用开源SEAM和Marmousi 2数据集进行声阻抗反演的案例研究。我们的评估表明,我们提出的方法是能够执行强大的和横向一致的估计阻抗存在的噪音地震资料和有限的标签。我们将我们的方法与文献中其他基于学习的地震反演方法进行比较和对比。在SEAM上,我们能够获得0.0966的平均MSE,是所有其他方法中最低的。
2021-04-06 physics.geo-ph
On the full-waveform inversion of seismic moment tensors
在这项工作中,我们提出了一个全波形技术的空间重建和表征(微)地震事件通过联合源定位和矩张量反演。该方法是制定在频域中,它允许同时反演多个点状事件。在所提出的方法的核心是一个网格搜索的源位置,封装的最优性条件的各个时刻张量。的发展迎合compandies支持的弹性体$\mathbb{R}^2$,但我们的框架是直接扩展到逆(地震)源问题在$\mathbb{R}^3$涉及有界和无界的弹性域。一组数值结果,针对实验室的应用,包括说明的情况下,涉及的逆解的性能:(一)重建多个事件,(二)稀疏(逐点)边界测量,(三)“离网”的微震事件的位置,和(四)不精确的知识介质的弹性特性。
2020-07-13 math.OC physics.comp-ph physics.geo-ph
Seismic Traveltime Inversion with Quantum Annealing
本研究提出将地震走时反演问题转化为QUBO问题,并利用量子退火方法求解,在1000-1300米碳储存合成模型及含噪环境中验证了其有效性,为高精度地震成像奠定了基础。
2025-03-06 physics.geo-ph
Strategies for integrating uncertainty in iterative geostatistical seismic inversion
迭代地质统计地震反演将地震和井数据集成以推断地下弹性性质的空间发布。这些方法对反演的弹性性质的空间不确定性提供了有限的评估,忽略了不确定性的替代来源,例如与不良测井数据、放大和地震资料内的噪声相关的不确定性来源。我们表示不确定的测井样本,由于不良的测井读取和升级,在本地概率分布函数(PDF)。局部PDF被用作随机顺序模拟算法的调节数据,包括作为反演内的模型扰动。噪声的地震和狭窄的勘探模型参数空间的问题,特别是在早期步骤的反演,是通过引入一个上限的本地相关系数负责在下一次迭代的新的一组模型的生成。提出了一个单一的地质统计框架,并说明了其应用到一个真实的案例研究。当与常规迭代地质统计地震反演相比时,附加不确定性源的整合增加了真实和反演地震道之间的匹配以及在最后一次迭代中反演的模型集合内的可变性。局部PDF的选择在反演弹性模型的可靠性中起着核心作用。在反演的早期阶段避免高的局部相关系数增加了在反演结束时合成和真实地震反射数据之间的全局相关性方面的收敛。
2018-10-17 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
A dual formulation of wavefield reconstruction inversion for large-scale seismic inversion
目前提出的大多数地震反演技术都集中在对背景模型选择或不准确的物理建模假设的鲁棒性上,但不适合大规模的3D应用。另一方面,工业问题的计算可行的方法,如全波形反演,是众所周知的陷入局部最小值,并需要足够的启动模型。我们提出了一种新的解决方案,这是可扩展的和不太敏感的启动模型或不准确的物理相比,全波形反演。该方法是基于经典的波场重建反演,其鲁棒性方面的局部极小值的对偶(拉格朗日)重新制定的文献中有很好的记载。然而,它不适合3D,因为它利用昂贵的频域解算器来求解波动方程式。建议的重新制定允许部署国家的最先进的时域有限差分方法,并计算工业规模的问题是成熟的。
2021-04-21 physics.geo-ph
Uncertainty Quantification in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods
本研究针对地震反演存在的固有不确定性问题,提出一种结合集成方法与重要性采样的不确定性量化新方法,在保证计算效率的同时提升了速度模型不确定性评估的准确性与可靠性。
2024-09-10 physics.geo-ph stat.ML
Fast approximate simulation of seismic waves with deep learning
本研究提出一种基于WaveNet架构启发的深度神经网络,可单次推理近似水平层状介质多接收点地震响应,模拟速度较有限差分法提升一个数量级,为实时地震模拟及全波形反演等应用提供支持。
2018-07-18 physics.comp-ph physics.geo-ph
Multi-scale uncertainty quantification in geostatistical seismic inversion
地质统计地震反演通常用于通过迭代随机顺序模拟/协同模拟扰动模型参数空间来推断地下岩石弹性性质的空间分布。推断的岩石弹性性质的空间不确定性表示与更新后的后验方差从合奏的模拟实现。在此设置中,用于生成岩石弹性实现的大规模地质(元参数),例如空间相关模型和感兴趣的属性的全局先验分布,被假定为对于整个反演域是已知的和固定的。这种假设导致低估了与反演模型相关的不确定性。我们提出了一个实用的框架来量化地震反演中大尺度地质参数的不确定性。该框架将地质统计地震反演与元参数的随机自适应采样和贝叶斯推断相结合,以提供更准确和更现实的不确定性预测,而不受大规模地质参数的沉重假设的限制。所提出的框架说明了合成和真实的案例研究。结果表明,与传统的地质统计学地震反演技术相比,该方法具有更可靠的声阻抗模型,具有更充分的不确定性分布。所提出的方法分别占地质的不确定性在大规模(元参数)和局部规模(逐道反演)。
2018-10-09 physics.geo-ph stat.AP
Properties of three seismic events in September 2017 in the northern Korean Peninsula from moment tensor inversion
对2017年9月3日朝鲜核试验场6. 3级、9月3日4. 6级和9月23日3. 4级震波迹象的震源特征进行了矩张量反演。为了克服比较中的困难,反演使用相同的台站、相同的结构模型、相同的算法、以及在波形处理中几乎相同的滤波器。结果表明,M6.3事件以爆炸成分为主,M4.6事件以内爆成分为主,M3.4事件以双力偶成分为主(约74%),其次为爆炸成分(约25%)。这三个震波迹象具有相似的质心深度。M3.4地震的双力偶分量显示出一条走向北东的正断层。
2017-10-04 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
Rapid seismic domain transfer: Seismic velocity inversion and modeling using deep generative neural networks
Imperial College London(帝国理工学院);Open Energi Ltd.(Open Energi有限公司);Technical University of Denmark(丹麦技术大学);Euclidity SL(Euclidity SL公司);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究所);Expero Inc.(Expero公司)
传统的基于物理的方法来推断地下属性,如全波形反演或反射率反演是耗时和计算昂贵的。我们提出了一种深度学习技术,通过将问题视为域转移问题,消除了对这些计算复杂方法的需求。我们的解决方案基于深度卷积生成对抗网络,大大减少了计算时间。基于两种不同类型的合成数据的训练产生了一个神经网络,当应用于真实数据集时,该神经网络可以生成逼真的速度模型。该系统的泛化能力意味着它对训练和测试数据集中固有的速度误差和伪影具有鲁棒性。
2018-05-22 cs.CV physics.geo-ph
Seismic Velocity Inversion from Multi-Source Shot Gathers Using Deep Segmentation Networks: Benchmarking U-Net Variants and SeismoLabV3+
Australian Computer Society(澳大利亚计算机学会)
本研究基准测试U-Net、U-Net++、DeepLabV3+及优化变体SeismoLabV3+用于地震速度反演,后者以ResNeXt50骨干和任务修改取得最佳MAPE(验证0.03025,测试0.031246),证明深度分割网络有效且定制改进有价值。
2025-09-07 cs.AI cs.LG physics.geo-ph
Plug-and-Play regularized 3D seismic inversion with 2D pre-trained denoisers
提出利用二维预训练深度去噪器进行即插即用正则化,并推广至多智能体共识均衡,实现三维叠后地震反演,在SEAM和Sleipner数据上验证有效。
2024-01-01 physics.geo-ph
Seismic Inversion by Multi-dimensional Newtonian Machine
牛顿机器学习(NML)是一种波动方程反演方法,其反演地震资料的一维潜在空间(LS)特征以用于检索地下背景速度模型。一维LS特征主要包含了地震资料的运动学信息,它是利用自编码器网络从地震信号中自动提取的。由于其LS特征维数太小,不能很好地保留地震资料的波形变化等动态信息。因此,NML反演不能恢复高波数的速度细节。为了解决这个问题,我们提出了多维LS特征的反演,它可以充分代表整个地震资料的特点。我们将这种方法称为多维牛顿机器学习(MNML)。在MNML中,我们定义了一个新的多变量连接函数,它与多变量隐函数定理一起将速度扰动连接到多维LS特征扰动。数值试验表明:(1)多维LS特征比一维LS特征能保留更多的数据信息,(2)多维LS特征反演能恢复更高分辨率的速度模型,反演质量与FWI相当;(3)MNML方法需要的存储空间比传统的FWI小得多,因为只有高维的低维表示,需要存储多维地震资料。与NML方法相比,MNML的缺点是它更容易陷入局部极小值。因此,我们提出了一种多尺度反演方法,该方法随着迭代次数的增加而反演高维LS特征。
2021-12-16 physics.geo-ph
Crosswell seismic tomographic inversion using NSGA II
本文讨论了用NSGA Ⅱ多目标优化求解地震资料反演问题。地震反演包括根据波通过地震波的发射器和接收器的传播时间来估计地下岩石的慢度。反演过程使用多目标优化技术,其中需要估计失配泛函和稳定约束之间的折衷。使用的约束是经典的一阶吉洪诺夫。选择了倾斜层的综合模型。所得结果可接受。基于与解相关的累积误差的图形,它被正确地估计,即所使用的优化方法是有效的,获得可接受的结果,除了约束解决反问题的不稳定性问题处理。另一个重要的成果是在帕累托边界上实现了收敛曲线,这是未来研究的重要成果。
2022-08-02 math.OC 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
Seismic full waveform inversion via a physics-guided Fourier representation neural network
School of Petroleum, China University of Petroleum-Beijing at Karamay(中国石油大学(北京)克拉玛依校区石油学院)
提出一种物理引导的傅里叶表示神经网络(PGFRNN),通过嵌入傅里叶变换地震数据、使用softplus近似log-cosh损失和物理引导优化器,实现无监督声学全波形反演,有效克服周期跳跃和噪声敏感性,在Overthrust模型上取得更高精度和鲁棒性。
2026-06-29 physics.geo-ph
Acoustic Impedance Prediction Using an Attention-Based Dual-Branch Double-Inversion Network
针对单分支半监督阻抗反演难以提取高频弱信号且受地震子波不确定性限制的问题,提出融合注意力、双分支双重反演与自适应子波拟合正演算子的 ADDIN-I,并在合成及实际数据中验证其优越性能。
2024-08-05 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
Encoder-Inverter Framework for Seismic Acoustic Impedance Inversion
Chengdu University of Technology(成都理工大学);School of Geophysics(地球物理学院)
本文提出了一种编码器-反向器框架,通过将地震迹映射到高维线性特征空间,提升地震声阻抗反演的准确性和鲁棒性。
2025-11-22 physics.geo-ph
Joint inversion of Time-Lapse Surface Gravity and Seismic Data for Monitoring of 3D CO$_2$ Plumes via Deep Learning
Rice University(莱斯大学);TotalEnergies EP Research and Technology USA(道达尔能源美国勘探与生产研究技术公司)
本研究提出基于深度学习的全三维时移地表重力与地震数据联合反演方法,用于地下CO$_2$羽流监测,相比单模态反演提升了重建与分割效果,为CO$_2$封存监测提供有效工具。
2023-09-24 cs.CV cs.LG physics.geo-ph
High-resolution closed-loop seismic inversion network in time-frequency phase mixed domain
针对时域地震反演频带捕获有限、薄层与弱反射储层分辨率不足的问题,提出TFP-CSIN,融合Bi-GRU、CNN及频域、相位域约束,实现高分辨率闭环双向反演。
2024-08-09 physics.geo-ph
Seismic Inversion by Newtonian Machine Learning
我们提出了一种波动方程反演方法,反演地下速度模型的离散化数据。地震道的离散化表示由训练良好的自编码器神经网络预测的低秩潜在空间变量组成。自动编码器的输入是记录的共炮点道集,隐函数定理用于确定相对于速度扰动的离散化数据的扰动。最终的速度模型是最好的预测所观察到的潜在空间参数。经验结果表明,周期跳跃的问题在很大程度上减轻相比,传统的全波形反演(FWI)的方法,由那些潜在的空间参数取代的波形差异。这种方法相对于其他骨架化数据方法的优势在于,不需要手动拾取重要特征,因为骨架数据是由自动编码器自动选择的。本文最重要的贡献是,它提供了一个通用的框架,使用解决方案的管理PDE反转任何类型的神经网络生成的骨架数据。控制方程可以是重力、地震波、电磁场和磁场的控制方程。输入数据可以是来自不同类型的数据及其骨架特征的记录,只要模型参数对它们的扰动敏感。骨架数据可以是自动编码器的潜在空间变量、变分自动编码器、或来自卷积神经网络(CNN)的特征图、或主成分分析(PCA)特征。换句话说,我们结合了牛顿物理学的最佳特征和机器学习的模式匹配能力,通过牛顿机器学习来反演地震资料。
2019-04-24 physics.comp-ph physics.geo-ph
Direction-Aware Masked Pretraining on 3D Seismic Data with Transfer to Cross-Area Acoustic Impedance Inversion
State Key Laboratory of Deep Oil and Gas, China University of Petroleum (East China)(中国石油大学(华东)油气藏地质与开发国家重点实验室);College of Computer Science and Technology, China University of Petroleum (East China)(中国石油大学(华东)计算机科学与技术学院)
针对三维地震数据,提出方向感知掩码自编码器,通过各向异性分块与沿道掩码提升表示学习,在跨区域声波阻抗反演中较传统方法降低归一化均方根误差20.8%。
2026-09-29 physics.geo-ph
Seis2Rock: A Data-Driven Approach to Direct Petrophysical Inversion of Pre-Stack Seismic Data
提出数据驱动方法Seis2Rock,通过从测井信息学习最优基函数,将叠前地震数据直接与带限岩石物理反射率关联,经训练与推理两阶段实现岩石物理参数反演,在合成与真实数据集上准确恢复了孔隙度等属性并成功应用于储层监测。
2023-09-05 physics.geo-ph
Physics-Informed Cross-Learning for Seismic Acoustic Impedance Inversion and Wavelet Extraction
Chengdu University of Technology(成都理工大学);School of Geophysics(地球物理学院)
本研究提出一种物理约束的交叉学习方法,用于改进地震声学阻抗反演和波形提取的性能。
2025-12-12 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
Encoder-Decoder Architecture for 3D Seismic Inversion
Braude College of Engineering(布劳德工程学院)
反演地震资料以构建3D地质结构是一项具有挑战性的任务,这是由于所采集的地震资料的压倒性数量以及由于波动方程式的迭代数值解而导致的非常高的计算负荷,如诸如全波形反演(FWI)的行业标准工具所要求的。例如,在地表尺寸为4.5 km $\times$ 4.5 km的区域中,需要数百个地震炮集立方体进行3D模型重建,从而导致记录的数据的TB。本文提出了一种深度学习解决方案,用于在地震勘探中记录的现场噪声存在的情况下重建真实的3D模型。我们实现并分析了一个卷积编码器-解码器架构,该架构可以有效地处理数百个地震炮集立方体的整个集合。所提出的解决方案表明,现实的3D模型可以重建与结构相似性指数(SSIM)为0.8554(出1.0)在现场噪声的存在下,在10 dB信噪比。
2022-07-29 cs.LG eess.SP physics.geo-ph
Joint Learning for Seismic Inversion: An Acoustic Impedance Estimation Case Study
地震反演可以帮助油气学家建立精确的储层模型,用于勘探和生产。基于深度学习的地震反演通过训练神经网络来学习从地震数据到岩石属性的映射,使用测井数据作为标签。然而,由于钻井的高成本,测井记录的数量通常非常有限。如果在有限的数据上进行训练,机器学习模型可能会出现过拟合和泛化能力差的问题。在这种情况下,来自其他调查的测井数据可以提供更好地概括所急需的有用信息。我们提出了一个学习方案,我们同时训练两个网络架构,每个不同的数据集。通过对两个网络之间的权重相似性设置软约束,我们使它们相互学习,以便在各自的数据集上获得更好的泛化性能。使用少于3个$\%$的可用训练数据,我们能够通过与Marmousi数据集的联合学习在SEAM数据集的声阻抗伪逻辑上实现平均$r^{2}$系数0.8399。
2020-06-28 eess.IV physics.geo-ph
Semi-supervised Sequence Modeling for Elastic Impedance Inversion
Georgia Institute of Technology(佐治亚理工学院)
机器学习算法在地震领域的最新应用在不同领域(如地震反演和解释)显示出巨大的潜力。然而,这样的算法很少执行地球物理约束-缺乏地球物理约束可能导致不期望的结果。为了克服这个问题,我们已经开发了一个半监督序列建模框架的基础上,递归神经网络的弹性波阻抗反演从多角度地震资料。具体地,地震道和弹性阻抗(EI)道被建模为时间序列。然后,使用包括卷积和递归神经层的基于神经网络的反演模型来反演用于EI的地震资料。建议的工作流程使用测井数据来指导反演。此外,它使用地震正演建模来正则化训练,并作为反演的地球物理约束。建议的工作流程实现了98%的估计和目标EI之间的平均相关性,使用10个测井曲线上的合成数据集进行训练。
2019-08-19 cs.LG eess.SP physics.geo-ph
Quantification of Uncertainty and Its Propagation in Seismic Velocity Structure and Earthquake Source Inversion
本文提出定量评估速度结构模型不确定性并考虑其传播的贝叶斯多模型震源反演与PINN走时层析成像方法,应用于南海海槽震中测定,展望了SciML的前景。
2025-01-30 physics.geo-ph
An Application of Quantum Annealing Computing to Seismic Inversion
量子计算,以及量子精密测量和量子通信,是颠覆性技术,有望在不久的将来影响学术研究和工业的不同领域。在科学和工业中具有极大兴趣的计算挑战之一是反演问题。这类数值程序可以被描述为通过测量事件的影响来确定事件原因的过程。在本文中,我们将递归量子算法应用于D-Wave量子退火器,以解决小规模地震反演问题。我们从量子计算机得到的结果进行比较,从经典算法。量子计算机所达到的精度至少与经典计算机一样好。
2022-02-04 physics.geo-ph quant-ph
Deep Compressed Learning for 3D Seismic Inversion
Braude College of Engineering(布劳德工程学院);TotalEnergies EP Research & Technology US(道达尔能源勘探生产研究技术美国公司)
本文提出深度压缩学习方法,通过学习稀疏二值感知层选择极少数震源并结合深度卷积神经网络进行三维地震反演,在训练数据减少一个数量级的同时保持重建质量。
2023-10-31 cs.LG eess.SP physics.geo-ph
Unsupervised Learning of Full-Waveform Inversion: Connecting CNN and Partial Differential Equation in a Loop
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);The Pennsylvania State University(宾夕法尼亚州立大学);Michigan State University(密歇根州立大学);Microsoft Research(微软研究院)
本文研究了全波反演(FWI)的无监督学习,该方法已广泛应用于地球物理学中,根据地震数据估计地下速度图。该问题在数学上由二阶偏微分方程(PDE)表示,但很难求解。此外,获取速度图是极其昂贵的,使得扩大监督方法以利用卷积神经网络(CNN)训练从地震数据到速度图的映射是不切实际的。我们通过将PDE和CNN集成在一个循环中来解决这些困难,从而将范式转移到只需要地震数据的无监督学习。特别地,我们使用有限差分来近似PDE作为可微算子的正演模拟(从速度图到地震数据),并通过CNN来模拟其反演(从地震数据到速度图)。因此,我们将有监督的反演任务转换为无监督的地震数据重建任务。我们还引入了一个新的大规模数据集OpenFWI,为社区建立一个更具挑战性的基准。实验结果表明,我们的模型(仅使用地震数据)产生相当的精度监督对应(使用地震数据和速度图)。此外,当涉及更多的地震数据时,它优于监督模型。
2022-03-18 cs.LG eess.SP physics.geo-ph
Seismic Inversion by Hybrid Machine Learning
我们提出了一种新的地震反演方法,该方法使用深度学习(DL)特征进行地下速度模型估计。DL特征是高维地震资料的低维表示,由卷积自动编码器(CAE)自动生成并保存在潜在空间中。低维DL特征包含输入地震资料的关键信息。因此,代替直接比较观测数据和预测数据之间的波形差异,例如全波形反演(FWI)。我们衡量他们的DL功能差异的潜在空间的CAE。这种低维比较的优点是,与FWI相比,它不太容易出现循环跳跃问题。这是因为当潜在空间维数较小时,DL特征主要包含输入地震资料的运动学信息,如走时。然而,更多的动态信息,如波形的变化,可以保留在DL功能时,潜在的空间维度变得更大。因此,我们提出了一种多尺度反演方法,从反演地下模型的低波数信息的低维DL功能。然后通过对高维DL特征进行反演,恢复其高波数细节。然而,不存在在同一方程中包含速度和DL特征项的控制方程。因此,我们使用的自动微分(AD)数字连接的DL功能的扰动的速度扰动。换句话说,我们通过使用AD将深度学习网络与波动方程反演连接起来。我们将这种混合连接称为混合机器学习(HML)反演。在这里,AD用一个黑盒子取代了梯度的复杂数学推导,因此任何人都可以在没有深刻的地球物理背景的情况下进行HML。
2020-09-15 physics.geo-ph
Pre-stack and post-stack seismic inversion using quantum computing
本文首次将量子退火用于叠前与叠后地震反演,提出单步工作流程同时估计P波和S波阻抗,将每参数量子比特数从20降至5、计算时间从20秒降至6.3秒,并验证其精度和速度优于模拟退火。
2025-02-06 physics.geo-ph quant-ph
DuRIN: A Deep-unfolded Sparse Seismic Reflectivity Inversion Network
Indian Institute of Science(印度科学理工学院)
我们考虑的反射地震学问题,恢复界面的位置和反射系数的振幅从地震资料,这是至关重要的估计地下结构。反射率反演问题通常使用贪婪算法和迭代技术来解决。稀疏贝叶斯学习框架,以及最近的深度学习技术已经显示出数据驱动方法解决问题的潜力。本文提出了一种加权极小极大凹惩罚正则化反射率反演公式,并通过基于模型的神经网络求解。该网络被称为深展开反射率反演网络(DuRIN)。我们证明了所提出的方法的有效性,通过测试合成1-D地震道和2-D楔形模型和验证与模拟的2-D Marmousi 2模型和实际数据的Penobscot 3D调查加拿大新斯科舍省海岸的基准技术。
2021-09-16 cs.LG eess.SP physics.geo-ph
Spatiotemporal Modeling of Seismic Images for Acoustic Impedance Estimation
地震反演是指从地震反射数据中估计储层岩石性质的过程。传统的和基于机器学习的反演工作流通常以逐道的方式对地震数据进行处理,几乎不利用来自地震图像空间结构的信息。我们提出了一种基于深度学习的地震反演工作流程,不仅在时间上而且在空间上对每条地震道进行建模。这利用地震道在深度和空间方向上的信息相关性来进行有效的岩石性质估计。我们经验比较我们提出的工作流程与其他一些基于序列建模的神经网络,模型地震数据只在时间上。SEAM数据集上的结果表明,与研究中使用的其他架构相比,所提出的工作流程能够实现最佳性能,平均$r^{2}$系数为79.77\%。
2020-06-28 eess.IV physics.geo-ph stat.ML
Seismic Inverse Modeling Method based on Generative Adversarial Network
China University of Petroleum(中国石油大学);Yangtze University(长江大学)
地震反演建模是储层预测中常用的方法,在油气勘探开发中起着重要的作用。常规地震反演方法难以与复杂抽象的地质模式知识相结合,其不确定性难以评估。本文提出了一种基于GAN的地质、测井、地震资料一致的反演建模方法。GAN是一种最有前途的模型生成算法,它提取训练图像的空间结构和抽象特征。训练后的GAN可以再现特定模式下的模型。在我们的测试中,1秒钟内生成了1000个模型。基于训练好的GAN,经过评估,通过贝叶斯反演框架计算模型的最优结果。结果表明,在快速生成的前提下,反演模型符合观测数据,不确定性较低。该方法提高了反演迭代的效率和质量。在地震资料与地质知识的融合中具有一定的研究和应用价值。
2021-06-08 cs.LG physics.geo-ph stat.ML
Evolution of the Stress and Strain field in the Tyra field during the Post-Chalk Deposition and Seismic Inversion of fault zone using Informed-Proposal Monte Carlo
当油气藏被用作CO2储存设施时,准确的不确定性分析和风险评估至关重要。综合地质知识、地质建模、测井数据和地球物理数据的信息为这一分析提供了基础。对覆盖层中的应力/应变变化的时间发展进行建模提供了关于储层中的断层和断裂概率的先验知识,其进而用于地震反演以约束断层和断裂的模型。求解大规模地震反问题的一个主要问题是计算量大和效率低。我们使用一种新引入的方法--信息建议蒙特卡罗(IPMC)-来处理这个问题,并进行了概念性研究的基础上,从丹麦北海的真实数据。结果概述了一种方法,用于评估的风险,有潜在的损害CO2储存的水库在覆盖层中的亚震断层。
2021-08-31 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
Quantum computational intelligence for traveltime seismic inversion
量子计算正处于早期实施阶段。它的能力在过去几年中一直在增长,但它在几个科学领域的应用仍然局限于过于简单的问题。在这一阶段,重要的是要确定量子计算呈现最有希望的结果的情况,以便在技术准备部署时做好准备。量子物理领域有几个领域受到当前计算能力的限制,其中所谓的地震反演是最重要的领域之一,这是受益于量子计算的强有力的候选者。在这项工作中,我们实现了一种旅行时地震反演方法,通过近期量子算法的基础上无梯度量子线路学习。我们证明了一台拥有数千个量子比特的量子计算机,即使有噪音,也可以解决地球物理问题。此外,我们还比较了该方法与变分量子算法的收敛性。
2022-09-01 math.OC physics.geo-ph quant-ph
Posterior sampling with CNN-based, Plug-and-Play regularization with applications to Post-Stack Seismic Inversion
King Abdulllah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
不确定性量化是反问题的关键,因为它可以为决策者提供有关反演结果的有价值的信息。例如,由于地震数据的带限和噪声性质,地震反演是众所周知的不适定逆问题。因此,量化与反演过程相关的不确定性以便于随后的解释和决策过程是至关重要的。在这个参考框架内,从目标后验采样提供了一种基本的方法来量化地震反演中的不确定性。然而,在概率反演中选择适当的先验信息是至关重要的,但不是微不足道的,因为它影响基于采样的推断在后验样本中提供地质现实的能力。为了克服这些限制,我们提出了一个正则化的变分推断框架,通过隐式正则化库尔贝克-莱布勒散度损失与CNN为基础的去噪器通过即插即用的方法进行后验推理。我们称这种新算法为即插即用Stein变分梯度下降(PnP-SVGD),并证明了它能够产生代表地下结构的高分辨率,值得信赖的样本,我们认为这可以用于后推理任务,如储层建模和历史匹配。为了验证所提出的方法,数值试验进行了合成和现场叠后地震数据。
2022-12-30 cs.LG math.PR physics.geo-ph
Multi-scale seismic envelope inversion using a direct envelope Frechet derivative for strong-nonlinear full waveform inversion
传统的地震波包络反演是利用非线性失配泛函将地震记录的包络与观测波场记录联系起来,然后将非线性泛函线性化,利用波形的Frechet导数求出包络对速度的灵敏度核。我们知道,波形弗雷歇导数是基于波散射的玻恩近似,只能适用于弱散射的情况。因此,传统的波形弗雷歇导数包络反演方法在大尺度、强对比度包裹体的强散射情况下存在严重的局限性。本文从能量散射物理出发,在不使用微分链式法则的情况下,导出了一种新的直接包络Frechet导数(灵敏度算子)。这种新的包络Frechet导数不具有弱散射假设的波场,并可以应用于强非线性反演涉及盐结构的情况。我们还将包络数据扩展为多尺度窗口平均包络(WAE),它包含了丰富的低频分量,对应于介质的长波长速度结构。在此基础上,提出了一种新的多尺度直接包络反演(MS-DEI)与标准FWI相结合的联合反演方法,用于恢复复杂模型的大尺度强对比度速度结构。最后,我们展示了一些数值例子,它成功地应用于反演的1-D厚盐层模型和2D SEG/EAGE盐模型。
2018-08-15 physics.geo-ph
Geometric theory of inversion and seismic imaging
反演的目的是用一个特定的建模方程来估计产生观测数据的模型。反演的一种通用方法是使用本质上是代数的优化方法来定义目标函数。这是目标函数的情况,例如最小化幅度的RMS、层析成像中的残余走时误差、互相关以及有时混合不同的范数(例如,模型的L1 + RMS误差的L2)。代数目标函数假设最优解会得出正确的几何形状。有时很难理解一个数字(拟合误差)如何奇迹般地得出地球模型的详细几何形状。如果将地球建模为二元岩石参数(只有两个速度变化值),则可以看到地质体的褶皱边界的几何形状可能无法通过使用代数目标函数的反演来求解。
2015-06-01 physics.geo-ph
Geostatistical Rock Physics AVA Inversion
储层模型是地下岩石物理性质(如孔隙度、矿物体积和流体饱和度)的数值表示。这些通常是从两步方法中的地震反演推断出的弹性模型导出的:首先,地震反射数据被反演为感兴趣的弹性属性(如密度、P波和S波速度);然后这些被用作约束属性来模拟地下岩石物理变量。顺序方法不能确保不确定性在整个地质建模工作流程中的适当传播,因为它没有描述观测到的地震资料与所得岩石物理模型之间的直接联系。岩石物理模型将这两个领域联系起来。我们建议将地震和岩石物理建模集成到迭代地质统计地震反演方法中。所提出的方法允许通过同时整合测井、地震反射数据和岩石物理模型预测来直接推断孔隙度、页岩体积和流体饱和度。随机序贯模拟被用作模型参数空间的扰动技术,校准的相相关岩石物理模型将弹性域和岩石物理域联系起来,并且基于交叉基因演算法的全局优化器确保了方法从迭代到迭代的收敛。该方法应用于从北海储层的真实储层数据集提取的3D体积,并与地质统计地震AVA进行比较。
2018-10-14 physics.geo-ph
Micro-seismic Elastic Reflection Full Waveform Inversion with An Equivalent Source
本研究提出一种基于等效源的微地震弹性反射全波形反演方法,通过结合P波和S波数据,采用与源起震时间解耦的目标函数,同时反演源图像、时间函数和速度模型,有效克服了周期跳跃问题并提高了参数估计精度。
2023-10-18 physics.geo-ph
Deep Learning-Based 3D Seismic Velocity Inversion Under Dual-Domain Sparse Representation
Ocean College, Zhejiang University(浙江大学海洋学院)
本文提出一种双域稀疏深度学习框架,利用离散余弦变换压缩地震数据和速度模型,提升3D地震速度反演的效率与精度。
2026-03-18 physics.geo-ph
Semi-supervised Learning for Acoustic Impedance Inversion
深度学习在地震领域的最新应用在反演和解释等不同领域显示出巨大的潜力。一般来说,深度学习算法需要大量的标记数据来进行适当的训练。为了克服这个问题,我们提出了一个基于卷积和递归神经网络的声阻抗反演的半监督框架。具体地,地震道和声阻抗道被建模为时间序列。然后,基于神经网络的反演模型,包括卷积和递归神经层被用来反演地震数据的声阻抗。所提出的工作流程使用测井数据来指导反演。此外,它利用学习的地震正演模型来正则化训练,并作为反演的地球物理约束。所提出的工作流程使用20个AI迹线进行训练,在估计的弹性阻抗和目标弹性阻抗之间实现了98%的平均相关性。
2019-05-31 eess.IV eess.SP physics.geo-ph
Physics-informed neural network for seismic wave inversion in layered semi-infinite domain
Northeastern University(东北大学);Renmin University of China(中国人民大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种物理信息神经网络框架,用于层状半无限域中的地震波反演,通过轻量网络学习物质分布和深度网络逼近解,结合吸收边界条件,实现端到端约束,实验验证其有效性。
2023-05-09 cs.LG cs.NA math.NA
Stochastic seismic waveform inversion using generative adversarial networks as a geological prior
Imperial College London(帝国理工学院)
我们提出了在偏微分方程(PDE)约束反问题的背景下,深度生成模型的应用。我们结合了生成对抗网络(GAN)表示先验模型,创建地下地质结构及其岩石物理特性,与PDE的数值解控制声波在地球内部的传播。我们进行贝叶斯反演使用近似大都会调整Langevin算法(MALA)从后给定的地震观测样本。通过求解声波波动方程式的伴随方程,得到了正问题中模型参数的导数。通过利用用于表示生成模型的深度神经网络的可微性质来获得关于潜变量的失配的分量。我们表明,近似MALA采样允许有效的贝叶斯反演的模型参数从一个深生成模型表示的先验,获得一组不同的实现,反映所观察到的地震响应。
2018-06-10 cs.CV physics.geo-ph stat.ML
SVInvNet: A Densely Connected Encoder-Decoder Architecture for Seismic Velocity Inversion
Institute of Science and Technology, Ankara University(安卡拉大学科学技术研究所);Hacettepe University(哈杰泰佩大学);Ankara University(安卡拉大学)
本研究提出SVInvNet,一种基于密集块增强的多连接编码器-解码器架构,用于解决非线性地震速度反演问题,在参数更少的情况下于多种数据集上实现了优于基线模型的性能。
2025-04-01 cs.CV cs.LG physics.geo-ph