Traveltime signature of 3-D edge diffractions exemplified by triple-square-root moveout
针对地下线性结构的三维边缘衍射未被充分利用的问题,提出利用源-接收器混合走时导数识别任意偏移距边缘衍射并构建聚焦曲线分类数据,推导了均匀介质直衍射体的三重平方根时差公式并验证其有效性。
2025-08-26 physics.geo-ph
On anisotropy and inhomogeneity parameter estimation using traveltimes
我们考虑各向异性非均匀模型来模拟实测的垂直地震剖面走时。在这个模型中,我们假设速度随深度线性增加,各向异性是椭圆速度依赖的结果。使用一系列的源在一条线到一个单一的接收器,我们最小化测量和建模的走时之间的最小二乘残差估计地下的各向异性和不均匀性参数。为了验证这种方法,我们构建了一个一层和两层模型的合成走时数据,并进行走时反演。我们证明收敛,确保规格和模型参数的限制,是固有的参数估计。为了确定该方法的实用性,我们评估了噪声影响下的结果的可靠性。从这个评估中,我们辨别出两个模型的噪声阈值,并确定噪声限制对于增加模型复杂性是严格限制的。我们估计参数,使用相同的方法,为一个真实的数据情况下,并得出结论与结果的讨论。
2020-12-06 physics.geo-ph
PINNtomo: Seismic tomography using physics-informed neural networks
利用透射数据的地震走时层析成像被广泛用于从全球到局部尺度的地球内部成像。在地震成像中,它用于获得后续深度偏移或全波形反演的速度模型。此外,井间层析成像已成功应用于各种应用,包括矿物勘探、储层监测以及CO2注入和封存。传统的层析成像技术受到许多限制,包括使用对波传播的物理不可知的平滑正则化器。在这里,我们提出了一种新的断层扫描方法来解决这些挑战,使用科学机器学习领域的发展。使用地震台站观测到的地震走时覆盖部分计算模型,我们训练神经网络近似的走时因子和速度场,受物理通知正则化形成的因子程函方程。这使我们能够更好地补偿不适定性的层析成像问题相比,传统的方法和结果在一些其他有吸引力的功能,包括计算效率。我们通过地面地震和跨孔几何形状的合成测试显示了所提出的方法的有效性及其能力。与传统技术相反,我们发现所提出的方法的性能是不可知的初始速度模型的选择。
2021-04-04 physics.comp-ph physics.geo-ph
Seismic Traveltime Tomography with Label-free Learning
College of Big Data and Software Engineering, Zhejiang Wanli University(浙江万里学院大数据与软件工程学院);Key Laboratory of Geoscience Big Data and Deep Resource of Zhejiang Province, School of Earth Sciences, Zhejiang University(浙江大学地球科学学院浙江省地球科学大数据与深部资源重点实验室)
针对地震走时层析成像深度学习方法依赖标签、传统方法受先验限制的问题,提出结合深度学习与字典学习的无标签方法,通过两步策略增强LSQR低分辨率速度模型,经合成与野外数据验证有效。
2024-04-13 cs.LG physics.geo-ph
A discrete adjoint method for deterministic and probabilistic eikonal-equation-based inversion of traveltime for velocity and source location
针对地震走时层析成像的反演问题,提出基于离散伴随状态方法的程函方程反演方法,可高效计算速度结构和震源位置的梯度并实现联合反演,支持2D/3D合成示例的确定性(L-BFGS)和概率(哈密顿蒙特卡洛)反演应用。
2025-01-23 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
Physics-informed deep learning quantifies propagated uncertainty in seismic structure and hypocenter determination
针对传统震源测定忽略速度结构不确定性的问题,提出基于物理信息深度学习的方法,通过神经网络集成量化不确定性传播,显著降低震源测定偏差,为地球物理反演提供新途径。
2024-07-10 physics.geo-ph
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
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
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
Bayesian seismic tomography based on velocity-space Stein variational gradient descent for physics-informed neural network
提出 vSVGD-PINN-ST,通过仅对速度网络做贝叶斯推断并在速度函数空间执行 SVGD,首次实现 PINN 在贝叶斯地震层析成像中的实际应用。
2023-07-18 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
Evaluating Physics Informed Neural Network Performance for Seismic Discrimination Between Earthquakes and Explosions
本研究评估在近距地震与爆炸判别任务的损失函数中加入弱物理约束的Physics Informed神经网络性能,发现其未持续优于纯数据驱动模型,且效果受物理关系强度调节,为物理约束融入机器学习提供参考。
2024-03-07 physics.geo-ph
Bayesian Physics-Informed Neural Networks for the Subsurface Tomography based on the Eikonal Equation
本文提出基于程函方程的贝叶斯物理信息神经网络(BPINNs),结合SVGD和高斯变分推断,在数据稀缺和噪声条件下实现速度场与走时场的不确定性量化估计,为地震反演和偏移提供可靠的初始模型。
2022-11-16 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
Frozen Gaussian Approximation for 3-D Elastic Wave Equation and Seismic Tomography
本文将冻结高斯近似(FGA)理论推广到三维弹性波动方程式的求解,并将其作为高频地震层析成像的正演模拟工具。FGA已被开发和验证为一个有效的解决方案,高频声波波传播(P波)。本文的主要贡献包括三个方面:1.我们推导了三维弹性波动方程式的FGA公式。而不是标准的射线为基础的方法(如几何光学和高斯光束方法),推导需要做渐近展开在弱意义(积分形式),以便能够执行积分的部分。与声波波动方程式的FGA理论相比,由于P波和S波的同时存在,以及SH波和SV波偏振方向的耦合,推导过程中的计算要复杂得多。特别地,我们得到了SH波和SV波的非绝热耦合项,其形式与量子力学和拓扑学(陈数)中深入研究的Berry相的概念密切相关。通过与三维均匀介质弹性波动方程式谱元法的比较,说明了FGA算法的精确性和可并行性。基于欧拉方程和斯涅耳定律,推导了三维弹性波动方程式的FGA界面条件。我们验证这些条件,通过模拟高频弹性波传播在1-D分层地球模型。在这个例子中,我们还表明,它是自然的应用FGA算法的几何与非笛卡尔坐标; 3。将该算法分别应用于三维地震波方程走时层析成像和全波形反演
2018-11-21 physics.geo-ph
GeoFWI3D: Large-scale 3D Velocity Model Dataset for Deep Learning-assisted Seismic Imaging
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Uppsala University(乌普萨拉大学);The University of Texas at Permian Basin(德克萨斯大学佩米安盆地分校);King Fahd University of Petroleum and Minerals(法赫德国王石油与矿产大学)
GeoFWI3D是一个包含10,000个三维速度模型的开源基准数据集,旨在通过深度学习辅助地震成像和全波形反演,并提供多模态标签和基准任务以促进评估。
2026-10-02 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
Neural mixture model association of seismic phases
地震相位关联是将地震台网上的相位波至拾取器分组为具有共同震源的子集的任务。基于机器学习工具在这一领域的最新成功,我们引入了一种神经混合模型关联算法(Neuma),该算法结合了物理信息神经网络和混合模型来解决这一具有挑战性的问题。我们的公式明确假设数据集包含来自地震的真实相位拾取以及相位拾取错误和假拾取导致的噪声拾取。然后,问题陈述是将每个观察结果分配给地震或噪音。我们迭代地更新一组震源和震级,同时确定每个选择的最佳类分配。我们表明,通过使用物理信息的Eikonal求解器作为正向模型,我们可以对幸存的选择进行严格的质量控制,同时保持高召回率。我们评估了Neuma在一系列具有挑战性的合成数据集和2019年加利福尼亚州Ridgecrest序列上对几种基线算法的性能。Neuma在每个合成数据集的精确度和召回率方面都优于基线。此外,它比Ridgecrest数据集的最佳基线(13.5%)多检测到3285次地震,同时大大改善了震源。
2023-01-06 physics.geo-ph
Direct Estimation of Porosity from Seismic Data using Rock and Wave Physics Informed Neural Networks (RW-PINN)
Stanford University(斯坦福大学)
本文提出岩石与波动物理信息神经网络RW-PINN,在无井或少量井条件下直接从地震道估计孔隙度,通过弱监督和加权损失函数缓解非唯一性问题,预测结果符合岩石物理与沉积规律。
2022-09-30 cs.LG physics.geo-ph
A 3D VTI factored eikonal solver using six-tetrahedron pyramidal stencil
Harbin Institute of Technology(哈尔滨工业大学);Shenzhen MSU-BIT University(深圳北理莫斯科大学);Ocean University of China(中国海洋大学);Laoshan Laboratory(崂山实验室)
该研究针对VTI介质,开发了结合乘积因式化与六四面体金字塔模板的三维快速扫掠程函方程求解器,可抑制源相关误差并提升走时计算精度。
2026-08-25 physics.geo-ph
Neural Eikonal Solver: improving accuracy of physics-informed neural networks for solving eikonal equation in case of caustics
物理信息神经网络的概念由于其灵活性而成为求解微分方程的有用工具。有几种方法使用这个概念来求解程函方程,程函方程描述了光滑非均匀速度模型中声波和弹性波的初至走时。然而,程函的挑战是加剧了速度模型产生焦散,导致不稳定性和恶化的准确性,由于非光滑的解决方案的行为。在本文中,我们重新讨论了使用神经网络解决程函方程的问题,以解决焦散病变。我们介绍了新的神经Eikonal求解器(NES)解决各向同性Eikonal方程在两个配方:一点问题是一个固定的源位置;两点问题是一个任意的源接收器对。我们提出了几种技术,提供了稳定的速度模型产生焦散线:改进的因式分解;非对称损失函数的基础上的哈密顿量;高斯激活;对称化。在我们的测试中,NES显示相对于二阶因子快速推进方法的相对平均绝对误差约为0.2 - 0.4%,并且优于现有的神经网络求解器,误差降低10 - 60倍,训练速度提高2 - 30倍。NES的推理时间与Fast Marching相当。单点NES提供了最精确的解,而两点NES提供了稍低的精度,但给出了非常紧凑的表示。它在需要大量计算(数百万个源-接收器对)的各种地震应用中非常有用:射线建模,走时层析成像,震源定位和基尔霍夫偏移。
2022-05-16 physics.comp-ph physics.geo-ph
Distributed Proximal Stein Variational Gradient Descent Algorithm for Large-scale Bayesian Inference in Traveltime Tomography
Institute of Geophysics, Polish Academy of Sciences(波兰科学院地球物理研究所);Department of Computer Science, University of Central Florida(中佛罗里达大学计算机系)
针对走时层析成像的大规模贝叶斯反演,提出结合FMM、ADMM和SVGD的分布式近端算法,实现高效后验采样与不确定性量化。
2026-09-23 cs.NA math.NA physics.comp-ph
SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain
Northeastern University(东北大学);Beijing University of Technology(北京工业大学);University of Notre Dame(圣母大学);Renmin University of China(中国人民大学);University of Chinese Academy of Sciences(中国科学院大学)
将物理学知识和机器学习结合起来对动态系统进行建模的兴趣越来越大。然而,对地震波建模任务的研究非常有限。一个关键的挑战是,这些地球物理问题通常定义在大的域(即,半无限),这导致高计算成本。本文提出了一种新的物理信息神经网络(PINN)模型,用于半无限域中的地震波建模,而不需要标记数据。具体而言,吸收边界条件被引入到网络中作为处理截断边界的软正则化。在计算效率方面,我们考虑通过时域分解的顺序训练策略,以提高网络的可扩展性和解决方案的准确性。此外,我们设计了一种新的代理建模策略参数加载,估计波传播在无限域给定的地震荷载在不同的位置。各种数值实验已经实施,以评估性能的PINN模型的背景下,地震波传播的正演模拟。特别是,我们定义了不同的材料分布来测试这种方法的多功能性。结果表明,出色的解决方案的准确性下独特的场景。
2022-11-02 cs.LG physics.comp-ph physics.geo-ph
A novel fast sweeping method for computing the attenuation operator $t^*$ in absorbing media
针对传统方法计算地震衰减算子$t^*$需显式射线路径、计算量大且易失效的问题,提出改进的快速扫描方法(MFSM),无需显式射线路径即可求解$t^*$控制方程,经验证性能良好且适用于笛卡尔与球坐标系,可实际应用于地震研究。
2025-04-17 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
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
Bayesian three-dimensional seismic travel-time tomography for active- and passive-source seismic data using physics-informed neural network
Japan Agency for Marine-Earth Science and Technology(日本海洋地球科学与技术机构);Earth Science New Zealand(新西兰地球科学研究所)
提出一种结合物理信息神经网络与函数空间粒子变分推断的无网格贝叶斯三维走时层析成像方法,有效处理主动源和被动源数据,并通过合成实验和实际数据验证其地质特征分辨能力和不确定性量化效果。
2026-06-23 cs.LG physics.geo-ph
Geophysics-informed neural network for model-based seismic inversion using surrogate point spread functions
Petrobras(巴西国家石油公司)
本文提出地球物理信息神经网络GINN,利用二维UNet同时估计点扩散函数和声波阻抗,以克服传统一维子波横向分辨率不足的问题,并在合成数据上验证了其高分辨率反演效果。
2025-06-12 cs.AI eess.SP physics.geo-ph
An Interpretable Physics Informed Multi-Stream Deep Learning Architecture for the Discrimination between Earthquake, Quarry Blast and Noise
Goethe University(法兰克福歌德大学);University of Missouri(密苏里大学)
本研究提出一种可解释的物理信息多流深度学习架构,用于高精度区分地震、爆破和噪声,实现97.56%的分类准确率。
2026-02-17 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 learning-based shot-domain seismic deblending
University of Oslo(奥斯陆大学);CGG Services Norway AS(CGG挪威服务公司);CGG Services(CGG服务公司)
本研究提出一种基于深度学习的炮域地震混采数据分离方法,利用测线末端非混采数据构建训练集,结合多通道输入与辅助任务等策略,在效率上优势明显,浅部分离效果接近传统算法,深部也能有效去噪。
2024-09-13 cs.AI 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
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
Seismic inversion using hybrid quantum neural networks
Stanford University(斯坦福大学);Indian Institute of Technology (Indian School of Mines) Dhanbad(印度理工学院(印度矿业学院)丹巴德分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出混合量子物理信息神经网络HQ-PINN,将量子机器学习用于叠后与叠前地震反演,通过编码器-解码器结构估计阻抗并重建地震响应,在合成数据和Sleipner数据集上验证了准确性与量子计算在地球科学中的潜力。
2025-11-09 cs.LG physics.geo-ph quant-ph
HypoNet Nankai: Rapid hypocenter determination tool for the Nankai Trough subduction zone using physics-informed neural networks
本文提出 HypoNet Nankai,用嵌入 Eikonal 方程的 PINN 代理三维 P 波走时计算,实现南海海槽俯冲带快速、准确且可扩展的震源测定。
2025-03-18 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
Three-dimensional crustal deformation analysis using physics-informed deep learning
本文利用物理信息神经网络对三维地壳形变进行正演与反演分析,通过断层面划分子域并构建四个网络提升精度,并在2008年岩手—宫城地震数据上验证了断层滑动估计的有效性。
2025-07-03 physics.geo-ph
Physics-informed Neural Networks (PINNs) for Wave Propagation and Full Waveform Inversions
我们提出了一种新的方法来解决波传播和全波形反转(FWI)的基础上,在深度学习的最新进展,称为物理信息神经网络(PINNs)。在这项研究中,我们提出了一个算法PINN应用到二维波动方程式和测试模型与前向波传播和FWI的情况下研究。这些综合案例研究旨在探索PINN处理不同程度的结构复杂性的能力,同时使用地震平面波和地震点源。PINN无网格形式主义允许灵活地实现波动方程式和不同类型的边界条件。例如,我们的模型表明,PINN自动满足吸收边界条件,一个严重的计算挑战,常见的波传播求解器。此外,地下结构的先验知识可以无缝地编码在PINN公式中。我们发现,目前国家的最先进的PINNs提供了良好的结果,即使谱元素或有限差分方法是更有效和准确的。更重要的是,我们的研究结果表明,PINN产生良好的结果,在所有情况下考虑和有限的计算复杂性的反演。使用PINN作为地球物理反演求解器提供了令人兴奋的前景,不仅对于全波形地震反演,而且在处理其他地球物理数据集(例如,大地电磁学、重力)以及联合反演,因为其具有强大的框架和简单的实现。
2021-08-26 physics.comp-ph physics.geo-ph
Deep-pretrained-FWI: combining supervised learning with physics-informed neural network
针对传统速度模型构建方法依赖人工监督、监督学习泛化性差的问题,提出结合监督学习与物理信息神经网络的Deep-pretrained-FWI方法,用小数据集预训练的CNN通过迁移学习启动FWI,可降低不确定性、加速收敛并提升结果。
2022-12-05 physics.geo-ph
Functional-prior-based approaches to Bayesian PDE-constrained inversion using physics-informed neural networks
Disaster Prevention Research Institute, Kyoto University(京都大学灾害预防研究所);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出功能先验方法,用于贝叶斯偏微分方程约束反演,通过结合物理信息神经网络,引入功能先验以提高反演精度,并展示了两种互补方法:FPI-BPINN和fParVI-PINN,分别在权重空间和函数空间进行贝叶斯推断。
2026-08-14 cs.LG physics.comp-ph physics.geo-ph
Controllable seismic velocity synthesis using generative diffusion models
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出条件生成式扩散模型,用于融合地质类别、测井和反射率等多模态先验,可控合成贴近目标分布的地震速度,并在 OpenFWI 上验证其有效性与分布外泛化能力。
2024-08-09 cs.LG physics.geo-ph
DANTE: Physics-Informed Neural Operator for DAS-to-Velocity Waveform Reconstruction Without Co-located Seismometers
该研究提出DANTE,一种基于物理的神经算子,用于在没有共址地震仪的情况下重建DAS到速度波形,通过物理约束解决积分常数不确定性和噪声问题,实现高质量的速度波形重建。
2026-05-18 physics.geo-ph
GaborPINN: Efficient physics informed neural networks using multiplicative filtered networks
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对求解Helmholtz方程的物理信息神经网络收敛慢的问题,提出基于Gabor基函数的乘法滤波网络GaborPINN,通过嵌入波场频率等先验信息,实现了高达两个数量级的收敛速度提升。
2023-08-10 cs.LG physics.geo-ph
HypoSVI: Hypocenter inversion with Stein variational inference and Physics Informed Neural Networks
California Institute of Technology(加州理工学院);Purdue University(普渡大学)
本文介绍了一种基于Stein变分推理的概率震源反演方法。我们的方法使用了一个可微的前向模型的形式的物理通知神经网络,我们训练,以解决Eikonal方程。这允许通过针对核化的Stein差异迭代地优化粒子的集合来快速近似后验。我们表明,该方法是装备精良,以处理高度多峰后验分布,这是常见的震源逆问题。一套实验进行检查的各种超参数的影响。一旦训练,该方法是有效的任何地震网络的几何形状内的研究领域,而不需要建立旅行时间表。我们证明了计算需求随着差分次数的增加而有效地扩展,使其成为分布式声学传感等大N传感技术的理想选择。在这份手稿中概述的技术有相当大的影响,不仅仅是射线追踪程序,与工作流程适用于其他领域的计算昂贵的反演程序,如全波形反演。
2022-08-17 cs.LG physics.geo-ph
Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation
CEA(法国原子能和替代能源委员会);Université Paris-Saclay(巴黎萨克雷大学);ENS Paris-Saclay(巴黎萨克雷高等师范学校);CentraleSupélec(中央理工-高等电力学院);CNRS(法国国家科学研究中心)
本文首次将傅里叶神经算子(FNO)应用于三维地震波传播预测,利用SEM3D生成的30,000种地质条件数据库训练模型,证明其在强非均匀地质下仍能准确预测地面运动,尤其在中长周期强度度量上表现良好。
2023-04-20 cs.LG physics.geo-ph
Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对PINNs在复杂速度模型多频波场建模中收敛慢、泛化差的问题,提出结合SVD低秩分解、频率嵌入超网络与元学习的Meta-LRPINN框架,实现高效频率自适应波场表示,显著提升收敛速度、精度及对分布外频率的泛化能力。
2025-02-02 cs.LG physics.geo-ph
Thermal Earth Model for the Conterminous United States Using an Interpolative Physics-Informed Graph Neural Network (InterPIGNN)
Stanford University(斯坦福大学)
本研究利用物理信息图神经网络开发空间插值算法,通过融合多种地球物理数据,构建美国本土0-7公里深度的高精度温度、热流及热导率模型,误差分别低至4.8°C、5.817 mW/m²和0.022 W/(C·m)。
2024-03-15 cs.LG physics.geo-ph
Gabor-Enhanced Physics-Informed Neural Networks for Fast Simulations of Acoustic Wavefields
Basque Center for Applied Mathematics(巴斯克应用数学中心);University of the Basque Country(巴斯克大学);Ikerbasque, Basque Foundation for Science(伊克巴斯克基金会(巴斯克科学基金会));King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对PINN低频偏差问题,提出Gabor增强的简化PINN框架,通过自定义Gabor坐标映射,在复杂模型上实现更快收敛、更高精度,并集成PML提升边界效果。
2026-10-19 cs.LG physics.geo-ph
Is it time to swish? Comparing activation functions in solving the Helmholtz equation using physics-informed neural networks
数值求解波动方程构成了地震成像和全波形反演等应用的大部分计算成本。另一种方法是求解频域亥姆霍兹方程,因为它提供了降维,因为它可以按频率求解。然而,经典亥姆霍兹求解器的计算挑战,例如需要反转大型刚度矩阵,可以使这些方法在计算上对于大型3D模型或高频建模不可行。此外,这些方法没有一个机制来转移从解决一个问题到下一个问题所获得的信息。这成为一个瓶颈的应用程序,如全波形反演重复建模是必要的。因此,最近一种新的方法的基础上新兴的范式物理知情的神经网络(PINNs)已被提出来解决亥姆霍兹方程。该方法在解决与传统算法相关的几个挑战方面表现出了希望,包括对额外物理建模的灵活性以及使用迁移学习来加速计算。然而,这一办法仍需进一步发展才能完全切实可行。其中最主要的挑战是收敛速度慢和精度降低,特别是在速度模型中存在明显的不均匀性的情况下。因此,为了探索如何提高PINN Helmholtz求解器的收敛性,我们研究了PINN文献中常用的不同激活函数,以及Swish激活函数-ReLU的一种变体,它在许多数据科学问题上表现出了更好的性能。通过比较研究,我们发现,与PINN文献中常规使用的其他激活函数相比,swish具有更好的性能。
2021-10-11 physics.comp-ph physics.geo-ph
Forward and Inverse Mantle Convection with Neural Operators
California Institute of Technology(加州理工学院)
本文提出利用神经算子进行地幔热状态正向与反向对流建模,通过代理模型降低计算复杂度,并展示联合反演在处理观测噪声时的优势。
2026-07-29 physics.geo-ph
Microseismic source imaging using physics-informed neural networks with hard constraints
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出一种基于物理信息神经网络与硬约束的直接微震成像框架,通过多频率波场表示和深度因果损失实现稀疏记录下的高精度震源成像,并在合成与水力压裂现场数据中验证了其优于时间反转法的抗噪与抗伪影能力。
2024-02-14 cs.LG physics.comp-ph physics.geo-ph
A Green-Integral-Constrained Neural Solver with Stochastic Physics-Informed Regularization
University of the Basque Country (UPV/EHU)(巴斯克国家大学);Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心);Ikerbasque, Basque Foundation for Science(Ikerbasque巴斯克科学基金会);King Abdullah University of Science and Technology (KAUST)(卡迪斯国王科学与技术大学)
本文提出一种绿色积分约束神经求解器,通过积分表示强制波物理,解决高振荡亥姆霍兹解在异质介质中的模拟问题,采用FFT加速减少计算成本,提升局部精度。
2026-04-23 cs.LG physics.geo-ph
Meta-PINN: Meta learning for improved neural network wavefield solutions
针对 PINN 地震波场求解精度不足且训练成本高的问题,提出基于元学习的双循环初始化方法,显著加快收敛并提升精度,且可结合现有优化技术。
2024-01-21 physics.geo-ph