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
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
Migration of a subsurface wavefield in reflection seismics: A mathematical study
在这一教学动机的工作，在反射地震迁移的过程已被认为是从严格的数学观点。具有恒定倾角的倾斜地下反射层已被证明会引起正常时差方程的移动，时差曲线的峰值跟踪椭圆轨迹。由于任何地下反射体实际上都具有不均匀的空间变化，因此通过采用波动方程式，使用更全面的偏移原理被认为是必要的。用这种方法导出了速度垂直变化的地下波场的振幅和相位的表达式。这种处理需要应用WKB近似，其自洽性已经由速度的对数变化在垂直方向上非常慢的事实建立，这是一个在越来越大的地下深度更强烈地支持的特征。最后，它已被证明，对于一个平面的地下波场，有一个等价的恒定速度Stolt迁移算法和固定相位近似方法（通过它的反射地下信号的起源被确定）。
2008-10-15 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
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
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 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
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
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
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
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
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
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
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
PINNslope: seismic data interpolation and local slope estimation with physics informed neural networks
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
本文提出PINNslope，通过联合训练主重建网络与辅助局部斜率估计网络并引入位置编码，实现混叠及大缺口地震数据的高精度插值。
2023-12-09 cs.LG eess.SP physics.geo-ph
A simulation-free seismic survey design by maximizing the spectral gap
针对地震数据采集成本高的问题，提出一种无模拟勘探设计方法，利用模拟退火算法迭代增大随机子采样掩码的谱间隙，在固定采样率下提升波场重建质量。
2022-04-05 math.SP 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
Transcending Classical Neural Network Boundaries: A Quantum-Classical Synergistic Paradigm for Seismic Data Processing
College of Instrumentation and Electrical Engineering, Jilin University（吉林大学仪器电子学院）
本文提出量子-经典协同生成对抗网络QC-GAN，通过量子路径和卷积路径协同处理地震数据，突破经典GAN的表示瓶颈，提升复杂噪声下的波场连续性和振幅相位信息保留能力。
2026-03-25 cs.LG 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
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
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
WaRIance: wavefield reconstruction inversion with stochastic variable projection
我们提出了一种变化的波场重建反演地震反演，它利用随机线性代数作为一种方式，以克服传统的反演技术的典型局限性。因此，我们可以同时针对收敛停滞和大型3D应用的鲁棒性。其中心思想在于通过对波动方程误差协方差的低秩随机逼近来近似波场重建反演中所涉及的最佳松弛变量。其结果是，我们得到了一个家庭的反演方法参数化的一个给定的模型协方差（适合手头的问题）和相关的随机逼近草图的秩。我们的建议的挑战和优势，证明了一些数值实验。
2021-12-20 cs.NA math.NA 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
A Semblance-based Microseismic Event Detector for DAS Data
针对DAS高空间采样数据，提出一种基于相似性的微地震事件检测器，通过计算波形相干性识别事件，无需速度模型，在FORGE数据上检测事件数约为标准方法两倍。
2023-12-29 physics.geo-ph
GPU Accelerated 3D P-wave Source Free Adaptive Wavefield Reconstruction Inversion with an application to experimental VSP physical modeling data
提出GPU加速的三维无源自适应波场重建反演方法GPU-SF-AWRI，结合自适应精度、全变分正则化与在线震源估计，实现最高195倍加速并在VSP P波数据中验证有效。
2024-10-24 eess.SP math.OC 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
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
Recompositing of Vast Irregularly-Sampled Seismic Data via Compressed Sensing Framework: An FPOCS Based on Seislet Transform Approach
本文提出在 seislet 变换域结合稀疏约束的 FPOCS 压缩感知方法，用于重构不规则采样地震数据，实现更快收敛、更少迭代和更优信号恢复。
2023-04-26 math.OC physics.geo-ph
Gas trap prediction from 3D seismic and well test data using machine learning
本文提出一种结合三维地震数据与试井资料、通过集成机器学习预测天然气圈闭的方法，并在三口盲井上取得f1 score为0.893846的高精度验证。
2024-01-23 cs.LG physics.geo-ph
Reduced-order modeling for complex 3D seismic wave propagation
本文提出一种降阶模型方法，用于快速近似复杂三维地震波传播中的格林函数，并在大洛杉矶地区验证其能以极低计算成本高精度重现0.5 Hz地表速度波场和地震图。
2024-09-09 physics.geo-ph
Acceleration and Strain-Rate Elastic Wave Equation and its Finite-Difference Solution for Distributed Acoustic Sensing Seismic Simulations
Institute of GeoEnergy Engineering, Heriot-Watt University（赫瑞-瓦特大学地球能源工程学院）
该研究针对分布式声学传感地震模拟，引入基于加速度和应变率的公式，类似传统速度-应力框架，通过有限差分模拟验证，此公式能在复杂介质中精确产生应变率波场，无需数据转换或额外计算，更新现有理论框架和工具。
2026-07-13 physics.geo-ph
Experimental evidence of accelerated seismic release without critical failure in acoustic emissions of compressed nanoporous materials
当材料接近宏观破坏时，声发射事件的总能量发生发散。数值和概念模型解释了这种加速地震释放（ASR）的方法与最终失败相一致的临界点。在这里，我们报告ASR在软单轴压缩的三个硅基（SiO $_2$）纳米多孔材料。而不是一个单一的临界点，AE能量的分布是固定的，在活动率的变化是足以解释的ASR导致不同的脆性破坏事件的多个周期的存在。我们建议，临界故障被抑制在AE统计耗散和瞬态硬化。从实验中估计的一些临界指数是兼容的平均场模型，而其他人仍然是开放的解释摩擦和断裂雪崩模型的解决方案。
2018-03-25 cond-mat.mtrl-sci physics.geo-ph
Robust elastic full-waveform inversion using an alternating direction method of multipliers with reconstructed wavefields
本研究针对弹性全波形反演问题，采用带重构波场的交替方向乘子法构建迭代算法，利用分块海森矩阵提升更新效率，并通过数值实验验证了算法各组件的性能与鲁棒性。
2024-04-11 cs.NA math.NA physics.geo-ph
Representations for multidimensional down-down deconvolution of ocean-bottom seismic data: theory and practical implications
Delft University of Technology（代尔夫特理工大学）；Shearwater GeoServices；SLB（斯伦贝谢）
本文利用互易理论推导了接收端和源端的多维下行-下行反褶积表示，克服了水平层状介质假设，并分析了各自的数据驱动性及采样要求。
2026-05-29 physics.geo-ph
Laterally constrained low-rank seismic data completion via cyclic-shear transform
本文提出一种基于循环剪切变换的低秩地震数据补全方法，通过横向约束扩展矩阵补全框架，在合成和现场数据中同时有效插值缺失的震源与接收器。
2023-11-14 physics.geo-ph
A Frequency-Domain Beamforming Procedure for Extracting Rayleigh Wave Attenuation Coefficients and Small-Strain Damping Ratio from 2D Ambient Noise Array Measurements
本研究提出一种基于二维环境噪声台阵、结合衰减专用波场转换和频域波束形成的瑞雷波衰减系数提取方法，经数值模拟和现场试验验证，可用于反演小应变阻尼比与剪切波速度剖面。
2024-04-09 physics.geo-ph
Application of Marchenko-based isolation to a land S-wave seismic dataset
本研究将基于Marchenko的隔离技术应用于荷兰格罗宁根省的陆地S波地震数据，通过联合移除上覆和下伏地层影响，隔离30至270米深度目标区域的响应，提高了反射数据分辨率，可用于成像与监测。
2024-10-28 physics.geo-ph
Hearing the forest for the trees: machine learning and topological acoustics for remote sensing with seismic noise
University of Arizona（亚利桑那大学）；University of Alaska, Fairbanks（阿拉斯加大学费尔班克斯分校）
利用机器学习和拓扑声学分析地震噪声，实现对森林的持续监测，准确率86%，识别关键频率范围，提供环境变化的稳健解决方案。
2026-02-10 physics.data-an physics.geo-ph
Deep Learning Seismic Substructure Detection using the Frozen Gaussian Approximation
我们提出了一种深度学习算法，用于地震界面和口袋检测，神经网络由冻结高斯近似（FGA）有效生成的合成高频位移数据训练。在震波成像中，高频数据是有利的，因为它可以提供子结构的高分辨率。然而，生成足够的合成高频数据集用于训练神经网络在计算上是具有挑战性的。这个瓶颈是克服了一个高度可扩展的计算平台上建立的FGA，它来自半经典理论和近似的波场的总和固定宽度（冻结）高斯波包。使用FGA从弹性波动方程式的正演模拟中产生数据。该数据包含精确的走时信息（来自射线路径），但不包含精确的振幅信息（即使在非常精细的数值分辨率下，渐近误差也不会缩小到零）。使用这些数据，我们使用开源API GeoSeg构建卷积神经网络模型，该API使用Keras和Tensorflow开发。在一个简单的模型上，尽管只对FGA数据进行了训练，但网络可以从谱元法生成的位移数据中以高成功率检测出界面。基准测试完成的P波（声波）和P-和S-波（弹性）使用FGA和谱元素的方法产生。此外，对于更复杂的几何形状，包括三层模型和2D口袋模型，其中神经网络由干净和有噪声的数据训练，显示了高精度的结果。
2019-11-05 physics.geo-ph
Phase variance as a seismic quality-control attribute
本文提出相变作为地震质量控制属性，通过圆形统计学分析局部迹集合，自动量化局部相位分散，用于定义有效带宽并支持相位敏感工作流程。
2026-03-05 physics.geo-ph
Full-waveform reconstruction of micro-seismic events via topological derivative approach
本文提出一种基于拓扑导数和矩张量反演的三维弹性体微震事件全波形重建方法，通过组合搜索实现震源定位与表征，数值实验验证了多事件重建、离网定位及抗噪能力。
2024-01-10 physics.geo-ph
High Resolution Seismic Waveform Generation using Denoising Diffusion
提出基于扩散模型的高效可扩展生成模型HighFEM，通过频谱图和自编码器降维，条件化生成频率高达50Hz的高分辨率地震波形，准确再现真实地震动统计量。
2025-10-31 cs.AI cs.LG physics.geo-ph
Unsupervised Posterior Sampling for Seismic Data Recovery via Score-Based Generative Priors
Xi’an Jiaotong University（西安交通大学）；The National Engineering Research Center for Offshore Oil and Gas Exploration（海洋油气勘探开发国家工程研究中心）；School of Information and Communications Engineering（信息与通信工程学院）；School of Mathematics and Statistics（数学与统计学院）
本文提出基于分数生成模型的无监督后验采样框架，用于统一解决地震数据恢复问题，通过自适应噪声估计机制提升灵活性，实现高质量样本生成和对分布外数据的稳健推广。
2026-02-26 physics.geo-ph
Numerical analysis of a deep learning formulation of elastic full waveform inversion with high order total variation regularization in different parameterization
我们在深度学习环境中制定了弹性地震全波形反演（FWI）。在我们的公式中，一个递归神经网络的规则，强制执行弹性波传播，与波场投影到测量表面作为合成数据与观测地震资料进行比较。通过自动微分方法，可以在网络内高效地构建具有各种参数化和失配泛函的弹性模型迭代更新梯度。利用该方法，可以计算基于复杂失配的反演。我们调查的影响不同的复杂的失配（基于l2，l1）与高阶全变差（TV）的规定多参数弹性FWI恢复模型内的速度/密度，模量/密度，刚度参数/密度参数化。我们分析了参数串扰。简单和复杂模型的反演结果表明，使用l1范数的高阶TV调节的RNN弹性FWI可以帮助减轻基于梯度的优化方法的串扰问题。
2021-01-22 physics.geo-ph
A hybrid approach to seismic deblending: when physics meets self-supervision
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
为了限制与地震资料的采集相关联的时间、成本和环境影响，在最近几十年中，相当大的努力已经投入到所谓的同时激发采集中，其中震源以彼此之间的短时间间隔激发。因此，源自连续炮点的波在地震记录中纠缠在一起，产生所谓的混合数据。为了处理和成像的目的，必须检索每个单独拍摄产生的数据。这个过程称为去混合，是通过求解一个严重欠定的反问题来实现的。传统的方法依赖于将混合噪声渲染成突发状噪声的变换，同时保留感兴趣的信号。然后应用压缩感测类型正则化，其中针对感兴趣的信号假设在某个域中的稀疏性。选择的域取决于采集的几何结构和所选域内地震资料的性质。在这项工作中，我们引入了一个新的概念，包括嵌入一个自我监督去噪网络到即插即用（PSTO）框架。介绍了一种新颖的网络，其设计扩展了[28 ]的盲点网络架构，用于部分相干噪声（即，在时间上是一致的）。然后，在Pestrian算法的每个步骤中，直接在有噪声的输入数据上训练网络。通过利用问题的基本物理特性和我们的盲点网络的强大去噪能力，所提出的算法表现出优于行业标准方法的性能，同时在计算成本方面具有可比性。此外，独立于采集几何，我们的方法可以很容易地应用到海洋和陆地数据，而无需任何显着的修改。
2022-05-30 cs.LG eess.SP physics.geo-ph
Mapping Depth to Bedrock, Shear Stiffness, and Fundamental Site Period at CentrePort, Wellington using Surface Wave Methods: Implications for Local Seismic Site Amplification
惠灵顿港口（CentrePort）在$M_w$ 7.8级Kaikōura地震中由于土壤液化、横向扩展和震动引起的结构破坏而遭受严重破坏。为了调查这些不良影响，并提出缓解措施，以防止类似的损害，在未来的地震，有必要量化的变化，基岩的深度，剪切刚度，和基本的网站周期（$T_0$）在整个港口。为了表征$T_0$并开发剪切波速度（Vs）剖面以用于地震现场响应分析、水平-垂直（H/V）频谱比测量以及有源和无源表面波测试（即，MASW和MAM）。从114 H/V频谱比测量的站点周期图显示了几个快速变化的复杂地下结构区域。在整个港口的六个参考位置开发的深度（200米以上）Vs剖面用于估计软岩（Vs $>$ 760 m/s）和硬岩（Vs $>$ 1500 m/s）的深度。$T_0$估计从H/V光谱比测量（$T_{0,H/V}$）在六个参考位置被证明是相关的硬岩的深度的基础上，线性粘弹性转换函数计算的Vs剖面截断在几个深度。在港口附近的两个地面运动站的$T_{0,H/V}$测量结果也显示出与2016年Kaikōura和2013年库克海峡地震期间记录的最大频谱放大的主要周期相当吻合，尽管这些站点也受到土壤非线性和潜在的3D盆地边缘效应的影响。
2022-07-20 physics.geo-ph
Generalization with Reverse-Calibration of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration Oil Field
本文面向早期油田勘探，提出利用测井标签、地震属性和反向校准不确定性的机器学习二分类与 stacking 集成流程，生成三维储层概率及厚度图并提升预测质量。
2023-06-02 cs.LG physics.geo-ph
Physics-Driven Self-Supervised Deep Learning for Free-Surface Multiple Elimination
Delft University of Technology（代尔夫特理工大学）；Shearwater GeoServices（希尔沃特地球物理服务公司）
本文提出一种物理驱动的自监督深度学习方法，通过将物理机制纳入损失计算，在无需真值数据的情况下从全波场估计不含自由表面多次波的波场，并在合成与实际数据上优于SRME基准。
2025-01-26 cs.LG physics.geo-ph
Dispersion-Guided Physics-Aware Deep Inverse Operator for Surface Wave Mode Separation
Uppsala University（乌普萨拉大学）
研究旨在解决地震数据中面波模式分离难题，提出物理感知无监督深度学习框架，利用f-v域自适应高斯掩码在时空域分离不同模式分量，通过物理约束学习逆映射，实验证明该框架能实现可靠模式分离及准确反演。
2026-07-15 physics.geo-ph
Data-Driven Forecasting of three-Component Seismograms Using Transformer Architectures
Institut für Kernphysik, Universität Münster（穆斯特大学核物理研究所）；Institut für Geophysik, Universität Münster（穆斯特大学地质物理研究所）；James Cook University（詹姆斯·库克大学）；Geological Survey of Denmark and Greenland（丹麦和格陵兰地质调查局）
提出基于Transformer的自回归模型SeismoGPT，通过物理约束的延续问题框架直接预测三分量地震波形，在合成数据上实现中位数归一化互相关>0.93，证明了Transformer序列模型可学习地震波场的稳定动力学延续。
2026-07-09 astro-ph.IM cs.LG gr-qc
The upper mantle of Europe and Western Asia: Exposing potentials and limits of regional full-waveform inversion
ETH Zurich（苏黎世联邦理工学院）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Mondaic Ltd.（Mondaic有限公司）；École et Observatoire des Sciences de la Terre, Université de Strasbourg（斯特拉斯堡大学地球科学与观测学院）
通过全波形反演构建EUWA310速度模型，利用动态小批量优化和自适应谱元网格，揭示了数据覆盖而非计算能力是区域全波形反演的主要瓶颈。
2026-05-26 physics.geo-ph
