Image synthesis with graph cuts: a fast model proposal mechanism in probabilistic inversion
地球物理反演应该理想地产生地质上真实的地下模型,解释可用的数据。多点统计是一种地质统计方法,用于构建与特定站点数据一致的地下模型,但也显示与训练图像中发现的模式相同类型的模式。训练图像可以被视为地下的概念模型,并用作空间变异性的非参数模型。基于多点统计的反演是具有挑战性的,因为需要创建新的模型建议的高度非线性和耗时的地质统计重新模拟步骤。我们提出了一个全新的模型建议机制,地球物理反演的启发,在计算机视觉中的纹理合成。我们不是基于训练图像中的高阶模式重新模拟像素,而是识别训练图像的合适补丁,该补丁替换当前模型中的相应补丁,而不会破坏训练图像中发现的模式,也就是说,与给定的先验保持一致。我们考虑三个跨孔探地雷达的例子中,新的模型建议机制采用扩展的大都会马尔可夫链蒙特卡罗(MCMC)反演。模型建议步骤比最先进的多点统计再模拟技术快约40倍,所需的MCMC步骤的数量更少,最终模型实现的质量具有相似的质量。模型建议机制目前仅限于2-D字段,但该方法是通用的,并且可以应用于广泛的地下设置和地球物理数据类型。
2017-01-06 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
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
Large-scale Inversion of Subsurface Flow Using Discrete Adjoint Method
敏感性分析在寻找地下水流模拟的本构参数(如渗透率)中起着重要的作用。其背后的数学原理是求解一个动态约束优化问题。传统的方法,如有限差分和前向灵敏度分析,需要的计算成本与参数的数量乘以成本函数的数量线性增加。离散伴随灵敏度分析(SA)因其计算效率而越来越受欢迎。该算法需要一个向前运行,然后是一个向后运行,其中包括在时间上向后积分伴随方程。这是通过执行一个正向求解并通过检查点存储快照来完成的。使用检查点数据,伴随方程的数值积分。该算法的计算代价仅与代价函数的个数有关,与参数个数无关。当参数空间较大时,该算法非常强大,并且在我们的非均匀渗透率情况下,参数的数量与网格单元的数量成正比。该项目的目的是并行实施离散灵敏度分析方法,以解决现实的地下问题。为了实现这一目标,我们建议使用TSAdjoint和TAO等数据结构并行实现该算法。本文用离散伴随方法处理大规模地下水流反演问题。该方法可以有效地减少灵敏度分析的计算量。
2019-06-03 physics.comp-ph physics.geo-ph
Sequential geophysical and flow inversion to characterize fracture networks in subsurface systems
Earth and Environmental Sciences Division, Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室地球与环境科学处)
本文提出一种非侵入式序贯反演框架,整合地球物理和流体数据以约束地下离散裂缝网络,通过微震数据估计裂缝取向统计学界限,并利用流体数据约束裂缝长度。
2017-07-13 cs.CE cs.NA math.NA
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
Target-enclosing inversion using an interferometric objective function
全波形反演是一种高分辨率地下成像技术,其中全地震波形用于推断地下物理性质。我们提出了一种新的,目标封闭,全波形反演框架的基础上的干涉目标函数。该目标函数利用卷积和相关表示公式之间的等效性,使用来自感兴趣的目标区域周围的闭合边界的数据。由于这种等价性是违反封闭介质的知识是不正确的,我们建议尽量减少两个表示公式独立重建的波场之间的失配。所提出的方法只需要地下模型的运动学知识,特别是覆盖层重新基准面,并不需要在目标区域以下的模型的先验知识。在这个意义上,它是真正的本地:只敏感的介质参数内所选择的目标,没有假设的介质或散射制度以外的目标。我们提出的理论框架,并通过伴随状态方法推导出新的目标函数的梯度,并将其应用到一个合成的例子,精确redatumed波场。与FWI的表面数据和面向目标的FWI的卷积表示定理的基础上的比较,只显示了我们的方法的优越性,无论是在目标恢复的质量和减少计算成本。
2022-01-18 physics.geo-ph
Multi-model full-waveform inversion
我们提出了一个多模型公式的全波形反演,类似于图像分解成一个“卡通”和“纹理”中使用的图像处理。反演问题被表述为无约束多范数优化,可以使用传统的迭代求解器来解决。我们证明了所提出的模型分解方法,通过从时移和单模型全波形反演问题中的噪声数据中恢复块状地下地震模型。
2014-10-26 physics.geo-ph
Offset errors in probabilistic inversion of small-loop frequency-domain electromagnetic data: a synthetic study on their influence on magnetic susceptibility estimation
小回路频域电磁(FDEM)装置测量由施加较强的初级磁场引起的次级磁场。二次场的同相和正交分量通常都受到系统测量误差的影响,这将导致自由空间中的非零响应。同相响应通常与地下磁化率强烈相关。考虑到在弱到中等敏感地面上的常见应用,二次场的同相分量通常弱于正交分量,使得其相对更容易出现系统误差。在一个概率反演框架中,我们展示了FDEM测量中的系统误差如何与电导率和磁化率联合估计。包括来自多于一个高度的FDEM测量,偏移估计变得更接近真实偏移,从而允许改进地下磁化率的反演结果。
2019-02-01 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
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
Inexact Augmented Lagrangian Method-Based Full-waveform Inversion with Randomized Singular Value Decomposition
Kyoto University(京都大学);Shizuoka University(静冈大学)
本文提出结合随机奇异值分解与不精确增广拉格朗日方法的改进FWI方法,有效抑制噪声并提升地下结构反演精度与收敛速度。
2023-09-25 physics.geo-ph
Implicit Neural Representations Framework for One-Dimensional Magnetotelluric Inversion
Indian Institute of Petroleum and Energy(印度石油能源研究所);Geological Survey of Finland(芬兰地质调查局)
提出基于隐式神经表示的物理信息机器学习框架,通过坐标神经网络将地下电阻率建模为深度连续函数,利用可微正演损失进行反演,无需离散化或外部正则化,在合成和实测数据上验证了有效性。
2026-06-17 physics.geo-ph
SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior
Georgia Institute of Technology(佐治亚理工学院);Oxy(西方石油公司);Huber Engineered Materials(胡贝尔工程材料公司)
SAGE通过稀疏井测和迁移地震图像生成地质合理的子表面速度模型,利用代理后验分布提高效率和准确性,适用于地震成像和反演。
2026-03-31 cs.LG physics.geo-ph stat.ML
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
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
Physics-Informed Convolutional Decoder (PICD): A novel approach for direct inversion of heterogeneous subsurface flow
本文提出物理信息卷积解码器(PICD)框架,将卷积解码器与Karhunen-Loève展开相结合,在无需重复正演模拟的情况下直接反演非均质地下水流水力传导系数并预测水头分布,稀疏观测下仍表现良好。
2024-01-12 physics.flu-dyn physics.geo-ph
Inversion of Time-Lapse Surface Gravity Data for Detection of 3D CO$_2$ Plumes via Deep Learning
TEEP Research and Technology USA(TEEP美国研究与技术公司);TotalEnergies(道达尔能源)
本研究提出三种重力数据反演算法,结合深度学习与物理建模等,用于预测地下CO₂羽流,性能优于传统方法,可近实时高分辨率重建,为CO₂封存提供低成本非侵入监测手段。
2022-09-06 cs.LG physics.geo-ph
SURGIN: SURrogate-guided Generative INversion for subsurface multiphase flow with quantified uncertainty
Department of Geotechnical Engineering, College of Civil Engineering, Tongji University(同济大学土木工程学院地质工程系);Key Laboratory of Geotechnical and Underground Engineering of Ministry of Education, Tongji University(教育部同济大学地质与地下工程重点实验室);Physical Science and Engineering Division, King Abdullah University of Science and Technology (KAUST)(卡布斯科学与技术大学(KAUST)物理科学与工程系);State Key Laboratory of Marine Geology, Tongji University(同济大学海洋地质国家重点实验室);Tencent SSV(腾讯SSV);Tencent SD(腾讯SD)
提出代理引导生成反演框架SURGIN,结合U-FNO代理与基于分数的生成模型,实现零样本条件下未见监测数据的实时同化,为地下多相流反演建模与不确定性量化确立新范式。
2025-09-16 cs.LG physics.flu-dyn 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
3D Bayesian Variational Full Waveform Inversion
地震全波形反演(FWI)通过利用记录的地震波形中的信息来提供地下的高分辨率图像。这是通过解决一个高度非线性和非唯一的逆问题。因此,使用贝叶斯推断来量化解决方案中的不确定性。变分推理是一种使用优化有效地提供概率贝叶斯解决方案的方法。该方法已被应用到2D FWI问题,以产生完整的贝叶斯后验分布。然而,由于更高的维数和更昂贵的计算成本,该方法在3D FWI问题的性能仍然未知。我们将三种变分推理方法应用于三维FWI,并分析了它们的性能。具体来说,我们应用自动微分变分推理(ADVI),斯坦变分梯度下降(SVGD)和随机SVGD(sSVGD),三维FWI问题,并比较他们的结果和计算成本。结果表明,ADVI是计算效率最高的方法,但系统地低估了不确定性。因此,该方法可以用于提供相对快速但近似的地下的见解,以及不确定性的下限估计。SVGD需要最高的计算成本,并且仍然产生有偏差的结果。相比之下,通过在SVGD动力学中包括随机项,sSVGD成为马尔可夫链蒙特卡罗方法,并以中间计算成本提供最准确的结果。因此,我们的结论是,三维变分全波形反演实际上是适用的,至少在小的问题,可以用来成像地球的内部,并提供合理的不确定性估计这些图像。
2022-10-10 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
Diffusion models for multivariate subsurface generation and efficient probabilistic inversion
Institute of Earth Sciences University of Lausanne(地球科学研究所 雅各布大学)
本文提出了一种基于扩散模型的多变量地下生成与高效概率反演方法,通过改进的后验采样方法提升了统计鲁棒性和计算效率。
2026-01-27 cs.CV cs.LG physics.geo-ph
Deep Reparameterization for Full Waveform Inversion: Architecture Benchmarking, Robust Inversion, and Multiphysics Extension
本研究提出深度重参数化全波形反演框架,通过优化网络权重重建地下参数,经架构对比和消融实验发现CNN结合预训练初始化效果最佳,并验证了其在噪声、稀疏采集下的稳健性及多参数扩展能力。
2025-06-21 physics.geo-ph
A prior regularized full waveform inversion using generative diffusion models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出一种基于生成扩散模型先验正则化的全波形反演新范式,通过无监督预训练扩散模型并在采样过程中融入FWI,以极低额外计算成本在稀疏或强噪声观测下实现高质量地下模型重建。
2023-06-22 cs.LG physics.geo-ph
Bayesian Full-waveform Inversion with Realistic Priors
地震全波形反演(FWI)使用全地震记录来估计地下速度结构。这需要一个高度非线性和非唯一的逆问题来解决,贝叶斯方法已被用来量化的解决方案中的不确定性。变分贝叶斯推断使用优化来有效地提供解决方案。该方法已被应用于解决传输FWI问题,使用已知的地震样源产生的数据,与强先验信息施加在速度上。遗憾的是,这种关于速度结构和震源的先验信息在实践中是永远得不到的。我们提出的第一个应用程序的方法在地震反射设置,并与现实弱先验信息。因此,我们证明,该方法可以产生高分辨率的图像和可靠的不确定性,实际合理的先验信息。
2021-04-10 physics.geo-ph
Stochastic full waveform inversion with deep generative prior for uncertainty quantification
Center for Geosciences, Mines Paris(巴黎高等矿业学院地球科学中心);PSL Research University(巴黎文理研究大学)
本文提出利用深度生成模型作为先验,结合显式、隐式变分贝叶斯推断及SVGD方法进行随机全波形反演,实现地下参数的不确定性量化,并与McMC采样进行对比验证。
2024-06-07 cs.LG physics.geo-ph stat.CO
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
Physics-embedded inverse analysis with automatic differentiation for the earth's subsurface
反演分析已被用来了解未知的地下地质性质,通过匹配的观测数据与模拟器。为了克服反问题的约束不足的性质,并取得良好的性能,嵌入式物理和自动微分技术的方法。我们使用嵌入物理的生成模型,该模型将统计上简单的参数作为输入并输出地下属性(例如,渗透率或P波速度),其将地下性质的物理知识嵌入到逆分析中并提高其性能。我们测试了四个地质问题:两个非均质水力传导率场,水力裂缝网络,地震反演P波速度的应用程序。这种物理嵌入的反分析方法始终准确地描述了这些地质问题。此外,在匹配观测数据的优良性能证明了该方法的可靠性。此外,自动微分的应用使得这是一个简单和快速的方法来处理复杂的地质结构的反分析。
2022-08-08 physics.comp-ph physics.geo-ph
Three-dimensional inversion of gravity data using implicit neural representations and scientific machine learning
Geological Survey of Finland(芬兰地质调查局);Indian Institute of Technology Bombay(印度理工学院孟买分校)
本文提出一种基于隐式神经表示的三维重力反演方法,通过物理正演模型损失直接训练深度神经网络,实现连续密度场的反演,无需预定义网格或离散化,提升对地质结构的重建能力。
2026-04-06 cs.LG physics.geo-ph
Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models
Universidad Industrial de Santander(桑坦德工业大学);King Fahd University of Petroleum and Minerals(法赫德国王石油与矿产大学);College of Petroleum Engineering and Geosciences(石油工程与地球科学学院)
针对传统大地电磁反演算量大、监督学习反演依赖标注数据的问题,提出物理引导的一维深度无监督反演方法,经实测与合成数据验证,电阻率反演精度优于现有技术。
2025-01-14 cs.LG physics.app-ph physics.geo-ph
WISE: full-Waveform variational Inference via Subsurface Extensions
Georgia Institute of Technology(佐治亚理工学院);Devito Codes Ltd(Devito代码有限公司)
本研究提出名为WISE的全波形反演概率技术,结合变分推断、条件归一化流与物理约束共成像道集,降低对初始速度模型的依赖,可量化偏移速度模型不确定性及成像的振幅、定位效应。
2023-12-11 cs.AI cs.LG eess.SP
Full-waveform variational inference with full common-image gathers and diffusion network
提出一种结合全公共成像道集与扩散网络的模拟推断框架,通过引入背景速度模型作为条件,显著提升地震速度反演精度与不确定性校准,在SEAM数据集上验证了有效性。
2025-04-06 physics.geo-ph
Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness
Yale University(耶鲁大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
本文提出Fourier-DeepONet,将傅里叶神经算子作为DeepONet解码器并引入震源参数,以提升全波形反演在不同震源频率和位置下的精度、泛化性与鲁棒性。
2023-07-24 cs.LG physics.comp-ph physics.geo-ph
An Intriguing Property of Geophysics Inversion
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Microsoft Research(微软研究院);The Pennsylvania State University(宾夕法尼亚州立大学)
反演技术广泛用于重建地下物理性质(例如,速度,电导率)从基于表面的地球物理测量(例如,地震、电/磁(EM)数据)。这些问题是由偏微分方程(PDE),如波或麦克斯韦方程。由于地球物理反演问题的病态性和高计算成本,求解地球物理反演问题具有挑战性。为了缓解这些问题,最近的研究利用深度神经网络来直接学习从测量到属性的反演映射。在本文中,我们表明,这样的映射可以很好地模拟一个非常浅(但不宽)的网络,只有五层。这是基于我们新发现的一个有趣的属性:在高维空间中应用积分变换后,输入和输出之间的近线性关系。特别地,当处理从地震数据到由波动方程控制的地下速度的反演时,具有高斯核的速度的积分结果与具有正弦核的地震数据的积分线性相关。此外,这种性质可以很容易地变成一个轻量级的编码器-解码器网络的逆。编码器包含地震数据的整合和线性变换,而无需微调。解码器仅由单个Transformer块组成,以反转速度的积分。实验表明,这一有趣的属性适用于四个不同数据集上的两个地球物理反演问题。与更深的InversionNet相比,我们的方法达到了相当的精度,但消耗的参数明显更少。
2022-06-16 cs.LG eess.SP physics.geo-ph
Direct Waveform Inversion by Iterative Inverse Propagation
地震波是我们对地球内部最敏感的探测器。利用勘探中可用的密集数据集,可以通过诸如偏移的过程获得地下结构的图像。不幸的是,将这些表面记录与实际的地球属性联系起来并不容易。层析成像技术仅使用完整地震图中包含的少量信息,并导致分辨率相对较低的图像。其他方法使用大量的地震图,但基于问题的线性化,在有限的模型范围内进行昂贵的统计搜索,或两者兼而有之。我们提出了一种新的全波形反演方法的发展,即,利用完整的地震记录进行反演。这种新方法属于逆散射的一般范畴,它基于一个高度非线性的Fredholm积分方程,该方程将地球结构与其本身和记录的地震图联系起来。提出了该方程的迭代解法。所得到的算法是数值密集型的,但是是确定性的,即,不需要模型空间的随机搜索,也不需要失配函数。令人印象深刻的数值结果在1D中显示了几个测试用例。
2009-05-03 physics.geo-ph
Physics-Informed Neural Networks for Viscoacoustic Wave Propagation: Forward Modelling, Inversion and Discretization Sensitivity
The University of Tokyo Graduate School of Frontier Sciences(东京大学前沿科学研究生院);Jiangxi University of Water Resources and Electric Power(江西水利水电学院)
本文提出基于物理的神经网络框架,用于粘弹性波传播的正向建模与参数反演,实现了高分辨率地震建模与反演。
2026-01-22 physics.geo-ph
Vector acoustic full waveform inversion: taking advantage of de-aliasing and receiver ghosts
数据采集正在改变,以纳入更多的组件记录波场。这方面的一个例子是所谓的矢量数据,其中压力和粒子速度都记录在海洋数据中。提出了一种矢量声波全波形反演方法。我们证明了VAFWI伴随算子与逆波场外推的连接,并表明,在假设一个平面波正入射向一个无限大的平面记录表面传播的情况下,VAFWI伴随相当于记录场的法向导数的逆外推。因此,不同于传统的FWI伴随,VAFWI伴随是逆波场外推算子。如果这些假设被违反,这个等价关系就不再为真,而变成一个近似。我们认为,这有影响的处理接收器鬼的两个反演方法:在VAFWI伴随,接收器鬼建设性地相互作用的反向传播的反射场。我们数值计算表明,矢量数据的去混叠属性扩展到VAFWI,这导致在较少的文物VAFWI图像相比,传统的FWI数据时,空间欠采样和混叠。关于包含在适当处理的接收器鬼波中的地下的附加信息可以用于实现进一步的VAFWI图像改善。
2019-10-11 physics.geo-ph
A Geometric Approach to Joint Inversion with Applications to Contaminant Source Zone Characterization
本文提出了一种新的联合反演方法的形状为基础的反问题。给定来自不同物理模型的两组数据,主要目标是在待重建的物理性质的空间域内获得夹杂物的统一表征。虽然我们提出的方法通常适用于许多类型的反演问题,这里的主要动机是通过处理下梯度水文数据和交叉梯度电阻层析成像(ERT)观测来表征地下污染物源区。受牛顿多目标优化方法的启发,我们提出了一个迭代反演方案,建议采取下降步骤,可以同时减少两个数据模型失配项。然而,这种方法需要在每次迭代时解决非光滑凸问题,这对于整个域上的基于像素的反演来说是计算昂贵的。相反,我们采用了参数水平集(PaLS)技术,大大减少了底层参数的数量,使反演计算容易处理。该技术的性能进行了检查和讨论,通过重建的源区架构,是代表致密的非水相液体(DNAPL)污染物释放在一个统计上均匀的砂质含水层。在这些例子中,DNAPL质量的几何配置被认为是与其他信息有关的污染区内的空间变异性,如低和高饱和区域的识别。重建与真正的DNAPL架构的比较突出了基于模型的技术和联合反演方案的优越性能。
2013-09-10 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
Inversion of Magnetic Data using Learned Dictionaries and Scale Space
University of British Columbia(不列颠哥伦比亚大学)
针对磁测数据反演不适定、传统方法适应性有限的问题,提出融合可变字典学习与尺度空间的反演方法,经合成数据集验证,在重建精度和鲁棒性上优于传统方法,可应用于多类地球物理相关场景。
2025-02-27 cs.CV cs.LG physics.geo-ph
Differentiable Inverse Modeling with Physics-Constrained Latent Diffusion for Heterogeneous Subsurface Parameter Fields
Department of Civil, Environmental, and Geo- Engineering, University of Minnesota, 500 Pillsbury Drive S.E., Minneapolis, MN 55455(土木、环境与地球工程系,明尼苏达大学)
基于物理约束的潜变量扩散模型用于异质地下参数场的可微逆向建模,通过结合预训练潜变量扩散模型与可微数值求解器,提高数值稳定性并实现高精度参数重建。
2025-12-27 cs.LG cs.NA math.NA
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
Acoustic Full Waveform Inversion with Hamiltonian Monte Carlo Method
Universidade Federal do Rio Grande do Norte(北里奥格兰德联邦大学);Trinity College Dublin(都柏林三一学院)
本文提出了一种基于Hamilton蒙特卡洛方法的声学全波形反演新策略,通过调节质量矩阵提升模型重建效率与精度。
2023-01-31 cond-mat.stat-mech physics.geo-ph
Accelerating Least Squares Imaging Using Deep Learning Techniques
波动方程技术已经成为地球物理成像工作流程的一个组成部分,以调查地球的地下。最小二乘逆时偏移(LSRTM)是一个线性化的反演问题,迭代地最小化作为模型扰动的函数的失配泛函。反演的成功在很大程度上取决于我们处理大型方程组的能力,因为计算成本很高。随着对复杂地下介质中更高分辨率图像的需求,系统的尺寸几乎呈指数级增加。我们提出了一种无监督的深度学习方法,利用现有的基于物理的模型和机器学习优化器来实现更准确,更便宜的解决方案。我们比较不同的优化,并证明其有效性,减轻成像伪影。此外,使用小批量梯度和Adam优化器最小化Huber损失不仅内存密集度更低,而且更健壮。我们对合成的密集采样数据集的经验结果表明,与传统方法相比,更快地收敛到准确的LSRTM结果。
2019-12-10 eess.IV physics.comp-ph 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
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
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
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