NDSHA: robust and reliable seismic hazard assessment
新确定性地震危险性评估（NDSHA）方法可靠而真实地模拟了可能影响平民及其遗产建筑的地震地面运动。模拟技术是从震源过程、地震波的传播及其与场地效应的综合相互作用的综合物理知识中发展起来的。NDSHA有效地解释了地震地面运动的张量性质，其形式上被描述为震源函数和路径格林函数的张量积。NDSHA利用了有关大震级地震空间分布的所有可用信息，包括最大可信地震（MCE）以及地质和地球物理数据。它不依赖于标量经验地面运动衰减模型，因为这些模型通常都受到现有观测的弱约束，并且无法解释地震地面运动的张量性质。标准NDSHA为工程设计和减灾决策策略提供了稳健和安全保守的危险估计，而不需要（通常是错误的）关于地震发生概率风险分析模型的假设。如果特定应用可能受益于时间信息，则根据多尺度地震活动性模型执行古腾堡-里克特（GR）关系的定义，并将发生率与每个建模的震源相关联。最近在意大利和尼泊尔发生的破坏性地震的观测结果证实了NDSHA方法和应用的有效性，并表明更广泛地应用NDSHA将提高所有地震多发地区，特别是历史地震记录太短的构造活跃地区的地震安全和平民的复原力。
2017-09-09 physics.geo-ph
Long term continuous radon monitoring in a seismically active area
我们提出了一个长期的，连续的氡监测实验的结果，在2010年4月开始在一个地震活跃区，在2010-2013年的数据采集时间窗口的强烈的微地震活动性和几个小震波迹象的影响。我们采用相关和互相关分析，以探讨可能存在的关系，收集氡数据，震波迹象和气象参数。我们的研究结果不支持一个强大的一对一的关联之间的可行性小震级地震表征当地的地震活动性和单氡测量异常，但证据显着的地震矩释放和土壤氡射气的时空变化之间的相关模式，后者无论如何占主导地位的调制气象参数的变化。
2015-10-02 physics.geo-ph
Meta-Processing: A robust framework for multi-tasks seismic processing
本文提出Meta-Processing框架，通过元学习获得通用网络初始化，仅用少量数据即可快速适应去噪、插值等多种地震处理任务，显著提升收敛速度与预测精度。
2023-09-20 physics.geo-ph
Robust and high-resolution seismic complex trace analysis
常规方法计算的地震属性易受噪声影响。传统的滤波以损失频谱带宽为代价来降低噪声。具有高分辨率和强大的信号处理工具的挑战促使我们提出了一个稀疏的时间-频率分解，同时稳定的随机噪声。该过程首先使用基于稀疏性的自适应S变换来正则化非平稳信号的频率内容的突变。然后，考虑到频率分量的较高幅度导致较高的信噪比的事实，将自适应滤波器应用于先前稀疏化的时间-频谱。提出的零自适应滤波器增强高幅频分量，同时抑制低幅频分量。将该方法应用于合成数据集和真实数据集，并与稀疏S变换和鲁棒窗口Hilbert变换在瞬时属性估计中的性能进行了比较。与常规地震属性估计方法相比，该方法具有较强的鲁棒性和较高的成像分辨率。该方法在地质构造的解释和识别中具有广泛的应用前景。
2019-09-20 eess.SP physics.geo-ph
Consistency and prior falsification of training data in seismic deep learning: Application to offshore deltaic reservoir characterization
地震储层表征的深度学习应用通常需要生成合成数据以增强可用的稀疏标记数据。一种用于生成合成训练数据的方法包括：指定概率分布，对储层性质的先验地质不确定性建模，以及对地震资料进行正演建模。先验证伪方法对于建立合成训练数据分布与真实地震资料的一致性至关重要。借助利用卷积神经网络（CNN）对海上三角洲储层进行相分类的真实案例研究，我们强调了与在合成地震资料上训练深度学习模型相关的几个实际细微差别。我们强调了CNN对合成训练数据分布的过拟合问题，并提出了解决该问题的正则化策略。我们通过在合成数据上训练CNN并使用真实的3D部分叠加进行鲁棒预测来证明我们提出的策略的有效性。地震资料。
2021-08-31 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
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
Seismic resolution enhancement via deep Learning with Knowledge Distillation and Domain Adaptation
本文提出DAKD-Net，结合知识蒸馏与领域自适应机制，利用U-Net骨干网络提取空间结构信息并转移高频先验知识，有效提升了地震数据高分辨率处理的纵向分辨率、复杂结构细节恢复能力及泛化性。
2025-06-27 physics.geo-ph
Training a generalizable diffusion model for seismic data processing using a large-scale open-source waveform dataset
本文提出SWAN数据集，用于自动神经网络处理，通过该数据集训练条件约束残差扩散模型，实现缺失轨迹重建，并在多种测试场景中取得最佳性能。
2026-03-13 physics.geo-ph
SeisDiff-deno: A Diffusion-Based Denoising Framework for Tube Wave Attenuation in VSP Data
本文提出SeisDiff-deno框架，利用快速扩散模型有效衰减VSP数据中的管波噪声，在合成与实际数据上验证了其在保留关键信号的同时去除相干噪声的能力，提升了数据质量并支持采集期间的持续生产。
2025-03-01 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
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
CDDIP: Constrained Diffusion-Driven Deep Image Prior for Seismic Image Reconstruction
针对地震数据缺失道影响后续处理且现有深度学习重建方法存在泛化与耗时问题，提出结合预训练扩散模型与深度图像先验的CDDIP方法，提升重建鲁棒性并大幅减少推理采样步数。
2025-01-14 physics.geo-ph
A Mutil-conditional Diffusion Transformer for Versatile Seismic Wave Generation
本文提出一种多条件扩散Transformer地震波生成器，通过生成高质量波形训练下游模型，在真实波形上实现99%震相拾取召回率与精确率，并减少震级估计偏差，为解决区域标注数据不足问题提供了新途径。
2025-09-21 physics.geo-ph
Towards Streamer-Free Marine Seismic Surveys: The Role of Formation Control Systems
本文研究如何利用编队控制理论与鲁棒网络分析设计无拖缆海洋地震勘探系统，通过理论数值可行性研究给出显式控制律，并解决传感器故障下的鲁棒性问题。
2023-08-07 cs.SY eess.SY physics.geo-ph
EPick: Multi-Class Attention-based U-shaped Neural Network for Earthquake Detection and Seismic Phase Picking
地震检测和地震相位拾取不仅在体波（P波和S波）的走时估计中起着至关重要的作用，而且在相应事件的震中定位中也起着至关重要的作用。人工选相是确定相位到达时间的最佳方法，但其能力受到资源和时间的限制。此外，有噪声的地震资料对快速和准确的相位拾取提出了额外的关键挑战。在这项研究中，提出了一种基于深度学习的模型EPick，它受益于U形神经网络（也称为UNet）和注意力机制，作为震波迹象检测和相位拾取的强大替代方案。一方面，UNet结构的利用使得能够解决不同级别的深层特征。另一方面，注意力机制促使UNet结构中的解码器专注于有效利用从编码器部分学习的低分辨率特征，以实现精确的相位拾取。大量的实验结果表明，EPick实现了更好的性能比基准方法，并显示模型的鲁棒性时，测试不同的地震数据集。
2021-09-06 physics.geo-ph
Fast Diffusion Model For Seismic Data Noise Attenuation
针对扩散模型处理强噪声地震数据时计算效率低的问题，本文改进贝叶斯迭代方程并提出适配归一化方法，在合成与野外数据上实现更优去噪和数倍提速。
2024-04-03 physics.geo-ph
Strong noise attenuation of seismic data based on Nash equilibrium
提出SEMD-Nash单编码器多解码器网络，通过多损失协同与纳什均衡权重动态优化，实现强噪声地震数据的有效去噪并保留地质特征。
2025-10-05 physics.geo-ph
Efficient Seismic Data Interpolation via Sparse Attention Transformer and Diffusion Model
提出 Diff-spaformer 框架，以 SPEN 融合通道维稀疏注意力 Transformer 与扩散先验，在单阶段训练和少量反向采样下提升随机及连续缺失地震数据的插值质量与效率。
2025-06-09 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
Fault-conditioned Seismic Image Generation using Denoising Diffusion Probabilistic Modeling and Neural Style Transfer
Bureau of Economic Geology, The University of Texas at Austin（德克萨斯大学奥斯汀分校经济地质局）；SLB（斯伦贝谢）
该研究提出基于DDPM的断层条件地震图像生成框架，开发U-DDPM与FC-DDPM模型，联合标准化多数据集训练，实现可控的地震数据增强，解决地震解释中训练集不足的瓶颈。
2026-10-09 physics.geo-ph
Reservoir Characterizations by Deep-Learning Model: Detection of True Sand Thickness
由于地震资料的继承性，直接从地震资料中精确识别储层特征是一项极具挑战性的任务。在这里，我们成功地设计了一个与合成楔形模型集成的深度学习模型，以克服地球物理限制，同时从低分辨率的地震资料中解释砂体厚度。通过理解和学习地震响应与相应砂层厚度指标之间的地球物理关系，深度学习模型可以自动检测地震道识别的砂体顶部和底部的位置，精确揭示岩性分布。楔形模型和现场数据的定量分析和广泛验证证明了所提出方法的鲁棒性。从深度学习模型中识别的真实砂层厚度为增强对来自地震资料的岩性和地层信息的解释提供了非常有用的指导。此外，所提出的深度学习方法消除了净毛比高估和低估的风险，在准确性方面有了显著提高。
2019-09-13 physics.geo-ph
Machine learning-based porosity estimation from spectral decomposed seismic data
University of Texas at Austin（德克萨斯大学奥斯汀分校）；BP plc.（英国石油公司）；Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）
由于地震资料的信号噪声和分辨率不足，通过地震资料估计孔隙度模型具有挑战性。虽然波阻抗反演常与测井资料结合使用，但在反演亚地震尺度孔隙度方面仍存在一些障碍。作为替代方案，我们提出了一种基于机器学习的工作流程，将地震资料转换为孔隙度模型。基于ResUNet++的工作流被设计为获取不同频率的三个地震资料（即，分解的地震资料）并估计它们相应的孔隙度模型。该工作流程在3D渠化储层中成功演示，以估计R2得分超过0.9的孔隙度模型，用于训练和验证数据。此外，通过将信号噪声添加到地震资料中，将应用扩展到应力测试，并且工作流结果显示出即使在5%的噪声下也是稳健的估计。另外两个ResUNet++被训练为仅采用最低或最高分辨率的地震资料来估计孔隙度模型，但它们显示了欠拟合和过拟合结果，支持在孔隙度估计中使用分解的地震资料的重要性。
2021-11-23 cs.AI 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
Seismic data interpolation based on U-net with texture loss
School of Mathematics and Physics, China University of Geosciences（中国地质大学数学与物理学院）；Department of Computer Science, Central China Normal University（华中师范大学计算机学院）
在地震资料采集过程中，采集到的地震资料中的缺失道是一种常见的现象。深度神经网络（DNN）在恢复不完整的地震资料方面显示出相当大的前景。然而，一些基于DNN的方法忽略了地震资料本身的特定特征，并且仅关注于减少恢复的信号与原始信号之间的差异。在这项研究中，一种新的地震U-网插值（SUIT）提出保留地震纹理信息，同时重建丢失的道。除了最小化重建误差之外，SUIT还通过设计一个预训练的U-Net来提取纹理信息，从而增强了恢复与原始完全地震资料之间的纹理一致性。实验表明，我们的方法优于经典的最先进的方法在鲁棒性方面。
2019-11-11 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
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
A Data-Driven CO2 Leakage Detection Using Seismic Data and Spatial-Temporal Densely Connected Convolutional Neural Networks
在碳捕获和封存方面，需要开发有效的监测方法，以发现和应对CO2泄漏。CO2泄漏检测方法依赖于地球物理观测和监测传感器网络。然而，传统的方法通常需要开发特定场地的物理模型和专家解释，这些方法的有效性可能会受到不同应用地点，操作场景和条件的限制。在本文中，我们开发了一种新的数据驱动的泄漏检测方法的基础上密集连接的卷积神经网络。我们的方法不同于传统的泄漏监测方法，通过直接学习地震资料和CO2泄漏质量之间的映射关系。为了考虑地震资料的空间和时间特性，我们的新型网络架构结合了一维和二维卷积神经网络。为了克服解决优化问题的计算费用，我们在我们的网络架构中应用了密集连接策略，减少了网络参数的数量。基于我们的卷积神经网络生成的特征，我们进一步结合了一个长短期记忆网络来利用时间序列信息，这进一步提高了检测精度。最后，我们采用我们的检测方法合成地震数据集的基础上产生的流动模拟的一个假设的CO2存储的情况下注入到一个部分分隔的砂岩储层。为了评估方法性能，我们进行了多个实验，包括随机泄漏测试，顺序测试和鲁棒性测试。数值结果表明，我们的CO2泄漏检测方法成功地检测到了泄漏并准确地预测了泄漏质量，这表明它具有应用于实际CO2储存场地监测的潜力。
2019-01-28 physics.geo-ph
Scattering images from autocorrelation functions of P-wave seismic velocity images: the case of Tenerife Island (Canary Islands, Spain)
本研究利用P波速度自相关函数对特内里费岛进行散射成像，结合聚类分析区分固有与散射衰减，发现SRZ区域高散射异常与历史喷发及地震活动相关。
2024-02-06 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
SoilGen: A Comprehensive Tool for Generating Synthetic Soil Profiles for Geotechnical and Seismic Analysis
University of Arkansas（阿肯色大学）
SoilGen通过程序化生成物理一致的多层土壤剖面，为地质和地震分析提供大规模合成数据集，支持参数研究和深度学习模型训练。
2025-12-13 physics.geo-ph
Hybrid Context-Fusion Attention (CFA) U-Net and Clustering for Robust Seismic Horizon Interpretation
Oxaala Tecnologias（Oxaala技术公司）；Geophysics Institute, Federal University of Bahia (UFBA)（巴西巴伊亚联邦大学地球物理研究所）；Petrobras – Petróleo Brasileiro S.A.（巴西国家石油公司）；Geological Survey of Brazil – Superintendência de Salvador（巴西地质调查局——萨尔瓦多办公室）
本文提出混合上下文融合注意力U-Net与聚类方法，用于提升地震层面解释的鲁棒性和精度。
2025-11-28 cs.LG eess.IV physics.geo-ph
A convolutional neural network approach to deblending seismic data
University of Oslo（奥斯陆大学）；CGG（CGG公司）；Lundin Norway AS（伦丁挪威公司）
针对传统地震数据分离方法计算量大、步骤繁琐的问题，提出基于CNN的数据驱动分离方法，通过域变换优化噪声特征，在超2万野外数据样本训练后可近乎实时完成分离，效果媲美传统算法且具备鲁棒性与自适应性。
2024-09-12 cs.AI 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
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
OBSTransformer: A Deep-Learning Seismic Phase Picker for OBS Data Using Automated Labelling and Transfer Learning
针对深度学习拾取器在OBS数据上性能下降的问题，本文通过多拾取器自动标注构建OBS数据集并迁移学习EqTransformer，提出OBSTransformer，显著提升远距P/S震相召回率与抗噪鲁棒性。
2023-06-07 physics.geo-ph
Evaluation of Seismic Artificial Intelligence with Uncertainty
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Virginia Tech（弗吉尼亚理工大学）
针对地震深度学习模型缺乏稳健评估框架的问题，本文提出联合考虑性能不确定性与学习效率的评估方法，并通过 PhaseNet 在三种训练方式下的实验验证其能防止误导性模型优越性声明，帮助从业者选择最佳模型并设定性能预期。
2025-06-02 cs.AI cs.LG physics.geo-ph
Effective Data Selection for Seismic Interpretation through Disagreement
Georgia Institute of Technology（佐治亚理工学院）；College of Engineering（工程学院）；School of Electrical and Computer Engineering（电气与计算机工程学院）
本文提出基于解释分歧的数据选择框架ATLAS，结合表征偏移建模与主动学习，用于地震解释训练集选择，实验表明其平均交并比最高提升12%。
2024-06-01 cs.LG physics.geo-ph
Optimal transport in full-waveform inversion: Analysis and practice of the multidimensional Kantorovich-Rubinstein norm
在过去的十年中，全波形反演已经成为一个强大的和有效的高分辨率的速度建模工具，震波成像，恢复复杂的地下结构的独特能力。最初基于使用最小二乘成本函数的数据拟合过程，它对周跳的敏感性很高，因此在处理观测到的和建模的震波迹象之间的大时移时效率很差。为了解决这个问题，通常的做法是使用数据的低时间频率并选择潜水波事件来开始反演。作为补充，研究了其他成本函数的使用。其中，基于最佳传输的成本函数似乎有吸引力，可能处理震波迹象之间的大的时间偏移。考虑到地震资料的特殊性，提出了几种受最佳传输启发的策略。其中，基于Kantorovich-Rubinstein规范的方法提供了直接使用地震资料的可能性和允许多维（数据坐标空间）应用的有效数值实现。在这里，我们提出了一个Kantorovich-Rubinstein规范的分析，讨论其理论和实践方面。我们分析的一个关键组成部分是反向传播的伴随源。重点分析了它的分段线性度，分析了它的频率成分和幅度平衡。我们还强调多层面执行的好处。此外，我们给出了实用的规则，设置调谐参数的数值实现。我们的一组合成和现场数据的例子证明了使用的Kantorovich-Rubinstein规范最小二乘全波形反演带来的改进，并强调了多维方法带来的改进，一维的。
2021-04-01 physics.geo-ph
Law for the distance between successive earthquakes
发现了连续地震震源之间的三维空间距离的新规律。通过对1984 ~ 2001年南加州地震资料的分析，发现地震距的累积分布符合修正的Zipf-Mandelbrot定律，反映了同相轴几何形态的复杂性。
2003-04-03 cond-mat.dis-nn physics.geo-ph
Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator
Lehigh University（理海大学）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）
在地下地震成像研究中，声波方程的求解是现有模型中的一个关键部分。深度学习的进步使得能够通过应用神经网络来识别输入和解之间的映射来求解偏微分方程，包括波动方程。当需要求解大量实例时，这种方法比传统的数值方法更快。以往用神经网络求解波动方程的工作，要么考虑单一速度模型，要么考虑多个简单速度模型，在实际应用中受到限制。相反，受算子学习思想的启发，这项工作利用傅立叶神经算子（FNO）在变速模型的背景下有效地学习频域地震波场。我们还提出了一个新的框架-傅立叶神经算子（PFNO），用于在给定多个源位置和频率的情况下有效地训练基于FNO的求解器。数值实验表明，在OpenFWI数据集上采用复杂速度模型时，FNO和PFNO都具有较高的精度。此外，跨数据集的泛化测试验证了PFNO适用于分布外速度模型。此外，PFNO在标签中存在随机噪声的情况下具有鲁棒性能。最后，PFNO承认更高的计算效率在大规模的测试数据集比传统的有限差分方法。上述优点赋予了基于FNO的求解器建立强大的地震波研究模型的潜力。
2023-02-19 cs.LG physics.geo-ph
Seismic-phase detection using multiple deep learning models for global and local representations of waveforms
Earthquake Research Institute, The University of Tokyo（东京大学地震研究所）；Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）
本文提出一种多模型深度学习震相检测框架，通过分别学习波形的全局与局部表示并融合概率，提升噪声鲁棒性，并可仅重训局部模型适配低频地震。
2022-11-04 cs.LG physics.geo-ph
Time-lapse full-waveform permeability inversion: a feasibility study
本文研究从叠前时移地震数据直接反演渗透率的端到端框架，利用Compass模型模拟北海咸水层CO2封存，通过实验评估其对初始模型和建模误差的敏感性，验证方法可行性。
2024-03-06 cs.CE cs.NA math-ph
Robust Hydraulic Fracture Monitoring (HFM) of Multiple Time Overlapping Events Using a Generalized Discrete Radon Transform
在这项工作中，我们提出了一种新的算法，通过开发的稀疏性所观察到的地震信号时，在一个由时空传播的基础上，水力压裂监测（HFM）的多事件定位。我们提供了明确的建设这些传播波传播，这取决于非线性的问题参数的前向模型-未知的源位置和断裂机制，时间和事件的程度，以及接收器的位置。在相当一般的假设和适当的离散化这些参数，我们首先建立一个过完备的字典广义Radon传播，并假设数据是很好地表示为这些传播的线性叠加。利用这种结构，我们提出了稀疏惩罚算法和工作流程的时间重叠多个震波迹象从单井数据的超分辨率提取。
2013-05-09 cs.IT math.IT 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
Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising
Computation-based Science and Technology Research Center, The Cyprus Institute（计算科学与技术研究中心，塞浦路斯研究所）；Department of Geosciences, College of Petroleum Engineering and Geosciences, King Fahd University of Petroleum & Minerals（地质学系，石油工程与地质学院，国王法赫德石油与矿物大学）；Department of Intelligent Systems, Faculty of Electrical Engineering, Mathematics and Computer Science, Delft University of Technology（智能系统系，电气工程、数学与计算机科学学院，代尔夫特理工大学）；Department of Mathematics and Statistics, Faculty of Pure and Applied Sciences, University of Cyprus（数学与统计学系，纯应用科学学院，塞浦路斯大学）；Department of Geoscience and Engineering, Faculty of Civil Engineering and Geosciences, Delft University of Technology（地质科学与工程系，土木工程与地质科学学院，代尔夫特理工大学）
本文提出一种高效框架，利用预训练的视觉基础模型进行地震数据去噪，通过低秩适应提升特征适应性，并引入基于kurtosis的无监督测试时适应模块以增强鲁棒性，实验证明其在勘探地震学中的有效性。
2026-09-23 cs.CV cs.LG physics.geo-ph
Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network
Earth Science and Engineering（地球科学与工程）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
针对现有速度模型生成器忽略空间依赖和分辨率变化的问题，提出VelocityGPT，采用自回归训练的Transformer解码器自上而下生成模型，结合浅层先验与额外压缩网络，经合成数据验证可有效用于地震速度建模。
2024-08-19 cs.AI physics.comp-ph physics.geo-ph
