A convolutional neural network for prestack fracture detection
China University of Petroleum - Beijing（中国石油大学（北京））；PST Service Corporation（PST服务公司）；Beijing Concord O&M Wind Power Technology Co., Ltd.（北京康科德运维风电技术有限公司）
裂缝在油气藏中广泛发育，是油气的聚集空间和输导通道。裂缝检测是储层描述的一项基本任务。从叠前地震道集出发，通常采用各向异性分析和反演来表征裂缝的优势方位和相对强度。然而，现有的方法大多是基于垂直排列的裂缝假设，无法识别裂缝倾角。此外，现有的方法很难或不切实际地获得真实的裂缝密度。基于数据驱动的深度学习，设计了一种卷积神经网络进行叠前裂缝检测。利用地震响应与裂缝参数之间的关系，首先通过裂缝有效介质建模和各向异性平面波分析，生成合适的方位数据集。构造了多输入多输出的卷积神经网络，实现了裂缝密度、倾角和走向方位的同时检测。实际调查的应用验证了所提出的CNN模型的有效性。
2021-07-03 cs.AI 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
Mapping The Layers of The Ocean Floor With a Convolutional Neural Network
Instituto Superior Técnico（高等技术学院）；Federal University of Espírito Santo（圣埃斯皮里图联邦大学）；Federal University of São Carlos（圣卡洛斯联邦大学）
针对石油行业海底地层绘制现有地震反演方法复杂且计算成本高的问题，本研究验证两种神经网络架构用于速度模型反演的效果，证实该方案可行，Sørensen-Dice系数超70%。
2024-12-04 cs.AI cs.CV cs.LG
A deep convolutional encoder-decoder neural network in assisting seismic horizon tracking
地震层位是具有地质意义的面，可用于建立地质构造和地层模型。然而，三维地震资料中的层位跟踪是一个耗时且具有挑战性的问题。将人类从繁琐的震波揭示中解脱出来是目前研究的热点之一。提出了一种基于深度卷积神经网络的地震层位自动跟踪方法。我们采用最先进的端到端语义分割方法来自动跟踪地震层位。实验结果表明，我们提出的神经网络可以自动跟踪多个视野同时进行。我们验证了我们所提出的方法的有效性和鲁棒性，通过比较自动跟踪的视野与手动挑选的视野。
2018-04-18 physics.geo-ph
Convolutional encoder decoder network for the removal of coherent seismic noise
地震学家经常需要收集有关一个地点的地下结构的信息，以确定它是否适合钻探石油。然而，在地震资料中可能存在电噪声，通常通过使用陷波滤波器忽略数据的某些部分来去除该电噪声。相反，我们使用卷积编码器解码器网络来消除这种噪声，方法是训练网络将嘈杂的镜头记录作为输入，并将镜头记录中的噪声作为输出。通过这种方式，我们保留了关于所收集数据的重要信息，同时仍然去除了地震资料中的相干噪声。
2021-10-25 physics.geo-ph
Convolutional Neural Network for Earthquake Detection and Location
最近在美国中部诱发地震活动的演变要求详尽的目录，以改善地震危险性评估。在过去的几十年里，地震资料的数量呈指数级增长，这就需要有效的算法来可靠地检测和定位地震。今天最复杂的方法是扫描过多的连续地震记录，寻找重复的地震信号。在这项工作中，我们利用人工智能的最新进展，提出了ConvNetQuake，这是一种高度可扩展的卷积神经网络，用于从单个波形中进行地震检测和定位。我们应用我们的技术来研究诱发地震在俄克拉荷马州（美国）。我们探测到的地震比俄克拉荷马地质调查局以前记录的多20倍。我们的算法是数量级的速度比既定的方法。
2017-02-07 physics.geo-ph
Learnable Gabor kernels in convolutional neural networks for seismic interpretation tasks
针对CNN在地震相分类中训练数据有限时泛化差的问题，提出在第一层使用可学习Gabor卷积核，通过参数约束提升可解释性，并在F3数据集上验证了其抗噪泛化能力。
2023-08-09 physics.geo-ph
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
SPBench: A Multi-Task Evaluation Benchmark for Exploration Seismic Processing
Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）
针对勘探地震处理中学习方法难以比较的问题，提出多任务基准SPBench，覆盖六任务、24种方法、10个数据集，并引入SCoRE和RC_norm评估，揭示合成与野外排名差异及退化影响。
2026-09-25 physics.geo-ph
Estimation of Acoustic Impedance from Seismic Data using Temporal Convolutional Network
在勘探地震学中，地震反演是指从地震数据推断地下物理性质的过程。物理性质的知识可以证明有助于识别地下的关键结构，以进行油气勘探。在这项工作中，我们提出了一个工作流程，预测声阻抗（AI）从地震数据使用的时间卷积网络的基础上提出的问题，作为序列建模的网络架构。所提出的工作流程克服了其他网络架构通常面临的一些问题，如递归神经网络中的梯度消失或卷积神经网络中的过拟合。所提出的工作流程用于预测Marmousi 2数据集上的AI，其中保持验证集上的平均$r^{2}$系数为$91\%$。
2019-06-06 eess.IV eess.SP 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
Unsupervised seismic facies classification using deep convolutional autoencoder
School of Earth and Planetary Sciences（地球与行星科学学院）；Curtin University（科廷大学）；Oil and Gas Innovation Centre（油气创新中心）
随着地震勘测的规模和复杂性的增加，地震相的手动标记已成为一个重大挑战。应用自动化方法进行地震相解释可以显著减少传统方法中的人工劳动和特定解释者的主观性。最近出现的一组方法基于深度神经网络。这些方法是数据驱动的，需要大型标记数据集进行网络训练。我们将深度卷积自动编码器应用于无监督地震相分类，这不需要手动标记的示例。通过对从输入数据获得的深度特征向量进行聚类来生成相图。我们的方法在实际数据上产生准确的结果，并即时提供。所提出的方法开辟了在没有人为干预的情况下实时分析地质模式的可能性。
2020-08-05 cs.CV cs.LG eess.IV
Velocity model building from seismic images using a Convolutional Neural Operator
本文提出一种基于卷积神经算子的地震速度反演框架，通过训练网络学习速度到RTM图像的映射，并结合自动微分优化反演，在合成与现场数据上验证了高精度、低成本的成像能力。
2025-09-24 physics.geo-ph
Convolutional neural network for earthquake detection
本文复现Perol等人提出的ConvNetQuake卷积神经网络方法，用于从含噪地震记录中分类地震事件与噪声，以解决低震级地震易被漏检的问题。
2023-04-17 cs.LG physics.geo-ph
Dictionary Learning with Convolutional Structure for Seismic Data Denoising and Interpolation
本文提出使用卷积稀疏编码（CSC）模型及局部块坐标下降（LoBCoD）算法进行地震数据去噪与插值，实验证明其性能优于K-SVD和OMP方法。
2024-11-08 physics.geo-ph
Iterative separation of coherent blended signals in common shot gathers using synchrosqueezed curvelet-Radon constraints
State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Chengdu University of Technology（油气藏地质及开发工程国家重点实验室，成都理工大学）；College of Geophysics, Chengdu University of Technology（地球物理学院，成都理工大学）；Key Laboratory of Earth Exploration and Information Technology of Ministry of Education, Chengdu University of Technology（教育部地球探测与信息技术重点实验室，成都理工大学）
提出一种基于同步压缩变换和拉东变换联合约束的迭代分离方法，在共炮点道集域中利用信号传播方向差异，无需时间抖动即可实现混叠数据的高保真分离，支持并行计算，适用于大规模数据处理。
2026-10-01 physics.geo-ph
Fully reversible neural networks for large-scale 3D seismic horizon tracking
跟踪地震图像或3D体积中的层位是震波揭示的组成部分。在过去的几十年里，我们看到了使用神经网络来完成这项任务的进展，从用于1D跟踪的浅层网络开始，到用于大型2D图像的更深层卷积神经网络。由于地质结构本质上是三维的，我们希望通过在三维地震资料立方体上训练网络来改进层位跟踪。虽然存在用于各种震波揭示任务的一些3D卷积神经网络，但是由于存储器限制，它们限于浅层网络或相对较小的3D输入。网络状态和权重所需的内存随着网络深度的增加而增加。我们提出了一个完全可逆的网络的地平线跟踪，有一个内存的要求，是独立的网络深度。为了解决网络权重的内存问题，我们使用直接以因子分解形式进行训练的层。因此，我们可以保持大量的网络通道，同时保持卷积核的数量较低。我们使用节省的内存将数据的输入大小增加一个数量级，这样网络就可以更好地从数据中的大型结构中学习。一个实际数据实例验证了所提出的网络结构适用于地震层位跟踪。
2020-03-18 eess.IV physics.geo-ph
DCMSA: Multi-Head Self-Attention Mechanism Based on Deformable Convolution For Seismic Data Denoising
针对扩散模型处理地震数据时局部特征捕捉和空间关系表达不足的问题，提出基于可变形卷积的多头自注意力机制DCMSA，将其集成到UNet中增强扩散模型去噪能力，实验证明该方法在去噪和保留有效地震信息上更优。
2024-08-13 physics.geo-ph
Spatial-Temporal Densely Connected Convolutional Networks: An Application to CO2 Leakage Detection
在碳捕获和封存中，建立有效的监测方法是检测和应对CO2泄漏的关键步骤。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物理模型由专家解释，这些方法的准确性会受到不同应用条件的限制。在本文中，我们开发了一种新的基于密集连接卷积网络的数据驱动检测方法。我们的检测方法学习地震资料和CO2泄漏质量之间的映射关系。针对地震资料的时空特性，我们设计了一种新的网络结构，将一维和二维卷积神经网络结合在一起。为了克服昂贵的计算成本，我们进一步应用密集连接的政策，我们的网络架构，以减少网络参数。我们采用我们的检测方法合成的地震数据集使用Kimberlina模型。数值结果表明，我们的泄漏检测方法准确地检测泄漏质量。因此，我们的新的CO2泄漏检测方法具有很大的潜力，监测CO2储存。
2018-10-13 physics.geo-ph
Locating earthquakes with a network of seismic stations via a deep learning method
准确和自动确定地震位置仍然是一项具有挑战性的工作。然而，这种信息对于实时监测地震活动性和评估潜在危害至关重要。最近，卷积神经网络被应用于从单站波形中检测地震，并大致映射几个大面积的事件。在这项研究中，我们在美国俄克拉荷马州的石油和天然气作业中诱发的194次地震，在平均约4.9 km的误差范围内，震中和1.0 km的深度在目录中，数据来自30个网络站，通过应用全卷积网络。该网络由1，013个历史事件训练，输出是地球上事件位置概率的3D体积。经过训练的系统需要大约百分之一秒的时间来定位一个事件，而不需要任何速度模型或人为干扰。
2018-08-29 physics.geo-ph
Seismic Image Denoising With A Physics-Constrained Deep Image Prior
本文提出一种基于物理约束深度图像先验的无监督方法，通过优化网络权重细化偏移速度模型而非地震图像，有效分离噪声与伪影，在合成和真实数据上以极低计算开销显著优于标准DIP技术。
2024-05-27 physics.geo-ph
Automatic Seismic Salt Interpretation with Deep Convolutional Neural Networks
高精度识别盐体是地震反射成像的关键任务之一。传统上，这是通过视觉选择盐/沉积物边界来完成的，这需要大量的手工工作，并可能引入系统性偏差。随着深度学习算法的最新进展和计算能力的不断增长，人们已经做出了大量努力，在盐体解释中用机器力量取代人类的努力。卷积神经网络（CNN）方法是计算机视觉领域的一场革命，是图像分析领域的一个研究热点。在本文中，基于CNN的分类的好处是通过使用一个国家的最先进的网络结构U-Net，以及剩余学习框架ResNet，以高精度描绘盐体。网络调整，包括指数线性单位（ELU）激活函数，Lovász-Softmax损失函数，分层$K$折叠交叉验证，已部署，以进一步提高预测精度。利用SEG高级模拟（SEAM）资料进行的初步结果表明，预测的盐体与人工解释的盐体吻合较好，特别是在反射较弱的地区。这表明了CNN在盐相关解释中的巨大潜力。
2018-11-24 cs.LG physics.geo-ph stat.ML
Ground-roll Separation From Land Seismic Records Based on Convolutional Neural Network
Shengli Oilfield Geophysical Research Institute of Sinopec（中国石化胜利油田物探研究院）
针对传统变换域面波压制需精细设计滤波器的问题，提出一种CNN方法，从低通滤波地震数据中同时分离面波与反射低频分量，并通过联合损失提升分离效果。
2024-09-05 cs.CV 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
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
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
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
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
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
Enhanced Seismic Imaging with Predictive Neural Networks for Geophysics
Anadarko Petroleum Corporation（阿纳达科石油公司）；WesternGeco（西方吉科公司）
我们提出了一种预测神经网络架构，可用于更新参考速度模型作为输入的全波形反演。探索深度学习模型，以在易盐环境中处理3D地震体期间增强速度模型构建工作流。具体而言，具有3D卷积层、去卷积层和3D最大池化的神经网络架构被设计为将标准振幅3D地震体作为输入。通过生成对抗网络和加权损失函数增强的数据增强使网络能够用很少的稀疏注释切片进行训练。批量归一化也适用于更快的收敛。盐体和包裹体的3D概率立方体通过来自多个模型的预测集合生成，以减少方差。从建议的网络推断的速度模型提供了机会，FWI前向模型收敛速度更快的初始条件更接近真实的模型。此外，在每个迭代步骤中，从所提出的网络推断的盐体和夹杂物的概率立方体可以用作FWI正演建模内的正则化项，这可以导致改进的速度模型估计，同时地震偏移的输出可以用作3D神经网络的输入以用于后续迭代。
2019-10-05 cs.LG eess.IV physics.geo-ph
Deep CNN for Coherent Seismic Noise Removal: A Perspective
本文提出利用深度卷积神经网络进行地震数据去噪，重点解决地表相关多次波衰减和同时激发炮能量重叠问题，以减少人工干预并加速处理流程。
2023-12-04 cs.CE physics.geo-ph
Self-Supervised Diffusion Model for 3-D Seismic Data Reconstruction
针对现有三维地震数据重建深度学习方法依赖配对数据、难处理复杂时变分布的问题，提出含扩散恢复模型和变分时-空模块的自监督扩散模型S2DM，经合成与野外实验验证其性能优越。
2024-06-19 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
Real-time Earthquake Monitoring using Deep Learning: a case study on Turkey Earthquake Aftershock Sequence
本研究提出基于动态卷积神经网络的DynaPicker，用于实时地震监测中的震相拾取，并整合深度学习模型估算震级，在土耳其地震余震序列上验证了高可靠性。
2023-06-21 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
Generalized Seismic Phase Detection with Deep Learning
为了最佳地监测地震生成过程，地震学家们自大约一个世纪前仪器地震网络开始以来一直在寻求降低检测灵敏度。最近，已经可以搜索连续的波形档案，以获得以前记录的事件的副本（模板匹配），这导致了检测到的地震数量至少增加了一个数量级，并大大提高了我们对地质结构的看法。然而，以这种方式产生的地震目录有很大的偏差，因为它们对没有模板可用的事件完全视而不见，例如在以前平静的地区或非常大的震级事件。在这里，我们表明，通过深度学习，我们可以在不牺牲检测灵敏度的情况下克服这些偏差。我们在南加州地震网络的大量手工标记数据档案上训练了一个卷积神经网络（ConvNet），以检测地震体波位相。我们表明，ConvNet在检测相位方面非常敏感和鲁棒，即使在被高背景噪声掩盖时，以及当ConvNet应用于训练集中未表示的新数据（特别是非常大的幅度事件）时。这种广义相位检测（GPD）框架将显着改善地震监测和目录，形成了广泛的基础和应用地震学研究的基础。
2019-01-11 physics.geo-ph
Across-domains transferability of Deep-RED in de-noising and compressive sensing recovery of seismic data
在过去的十年中，深度学习算法在信号处理社区中引起了极大的兴趣。大数据集和高级计算资源的可用性导致开发高效的算法。然而，这样的算法偏向于训练数据集。因此，基于深度学习的算子的可移植性是具有挑战性的，特别是当目标是将学习的算子应用于新的数据集/域时。学习算子跨域可移植性的缺乏阻碍了深度学习算法在处理地震数据中的适用性。与相机图像不同，全面标记的地震数据集不可用。此外，从一个任务到另一个任务，应该调整训练参数。为了弥补这一缺陷，我们开发了一种工作流程，将学习到的算子从相机图像转移到地震域，而无需修改其训练参数。相机和地震数据处理中的算法和优化方法的相似性使我们能够这样做。因此，通过将前馈去噪卷积神经网络（DnCNN）的正则化去噪正则化，我们制定了两个可转移的优化问题去噪和压缩感知恢复的地震数据。模拟和现实世界的数据例子表明，我们提出的工作流程的效率。
2020-07-20 eess.SP 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
Deep Recurrent Architectures for Seismic Tomography
本文介绍了用于速度模型构建（VMB）的新型深度递归神经网络架构，这超出了Araya-Polo等人2018年开创的基于卷积非递归神经网络构建的基于机器学习的地震层析成像。我们的研究包括利用基本的递归神经网络（RNN）细胞，以及长短期记忆（LSTM）和门控递归单元（GRU）细胞。性能评估表明，盐体一致预测更准确的GRU和LSTM为基础的架构相比，非经常性的架构。这些结果使我们更接近最终目标，即从叠前数据中获得可靠的完全基于机器学习的断层扫描，这将使VMB的周转时间从数周减少到数天。
2019-08-12 eess.IV eess.SP 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
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
Anti-Aliasing Add-On for Deep Prior Seismic Data Interpolation
Politecnico di Milano（米兰理工大学）
数据插值是任何地震处理工作流程中的基本步骤。在最近提出的将数据插值作为逆问题来解决的机器学习技术中，Deep Prior范式旨在采用卷积神经网络来捕获数据的先验，以便正则化反演。然而，由于混叠的存在，该技术在插值高度抽取的数据时缺乏重建精度。在这项工作中，我们建议通过添加方向拉普拉斯算子作为问题的正则化项来改进深度先验反演。该正则化器驱动优化，以实现从插值数据低频估计的斜率。我们提供了一些数值例子来展示本手稿中设计的方法，表明我们的结果在存在噪声和损坏数据的情况下也不太容易混淆。
2021-01-27 cs.LG eess.SP physics.geo-ph
MAE-GAN: A Novel Strategy for Simultaneous Super-resolution Reconstruction and Denoising of Post-stack Seismic Profile
针对叠后地震剖面低分辨率和强噪声问题，提出MAE-GAN网络，通过多尺度残差模块、注意力机制、Markov判别器及边缘保持损失，实现同时超分辨率重建与去噪，有效恢复弱信号并保留更多地质构造。
2024-05-30 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
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
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
Seismic Interpolation Transformer for Consecutively Missing Data: A Case Study in DAS-VSP Data
针对DAS地震数据连续缺失难题，提出基于Transformer的SIT模型，结合U形swin-transformer块和SSIM-L1损失，实验优于U-Net和swin-transformer。
2024-04-20 physics.geo-ph
Detecting local earthquakes via fiber-optic cables in telecommunication conduits under Stanford University campus using deep learning
随着光纤震波收录的发展，连续密集地震监测变得越来越容易。在电信管道中重新使用光纤电缆使得以低成本进行地震研究成为可能，即使是在传统地震仪不易安装的地方，如城市地区。然而，由于大量的连续流数据，以这种方式收集的数据将被浪费，除非我们显著地自动化处理工作流程。我们训练一个卷积神经网络（CNN）地震检测使用的数据采集超过三年的光纤电缆在斯坦福大学校园的电信管道。我们证明，光纤系统可以有效地补充稀疏的地震仪网络，以检测当地地震。尽管信噪比较低，但CNN仍能进行可靠的地震检测，甚至能检测到以前未编目的小振幅事件。
2022-03-23 physics.geo-ph
Generative Diffusion Model for Seismic Imaging Improvement of Sparsely Acquired Data and Uncertainty Quantification
针对稀疏采集地震成像质量低且无法评估不确定性的问题，提出基于生成式扩散模型的方法，结合条件输入与补丁融合策略，显著提升了成像质量并实现了有效的不确定性量化。
2024-07-31 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
Can learning from natural image denoising be used for seismic data interpolation?
Harbin Institute of Technology（哈尔滨工业大学）；University of California（加利福尼亚大学）
提出了一种基于卷积神经网络（CNN）去噪的地震资料插值方法。它提供了一种简单有效的方法来解决深度学习方法通常需要的地球物理训练标签缺乏的问题。该方法包括两个步骤：（1）训练一组来自自然图像的干净噪声对的CNN去噪器以学习去噪;（2）将训练好的CNN去噪器集成到凸集投影（POCS）框架中以执行地震资料内插。该方法以类似于端到端深度学习在地震资料插值上的应用的特点，满足了地震大数据的需求。此外，所提出的方法是灵活的许多情况下的痕迹丢失，因为丢失的情况下不涉及在训练步骤，因此它是即插即用的性质。这表明我们的方法具有高度的普遍性，并且减少了针对具体问题的培训需求。仿真数据和实测数据的实验结果表明，与传统的$f$ - $x$预测滤波和基于曲波变换的POCS方法相比，该方法在信噪比、去混叠和弱特征重构等方面具有良好的插值性能.
2020-08-22 cs.LG eess.SP 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
Real-time Earthquake Early Warning with Deep Learning: Application to the 2016 Central Apennines, Italy Earthquake Sequence
East China University of Technology（东华理工大学）；Dalhousie University（达尔豪斯大学）；Stanford University（斯坦福大学）
地震预警系统需要在破坏性的S波到达之前尽快报告地震的位置和震级，以减轻地震灾害。深度学习技术为从完整的地震波形而不是地震相位拾取中提取震源信息提供了潜力。我们开发了一种新型的深度学习地震预警系统，该系统利用完全卷积网络同时检测地震并从连续的地震波形流中估计其震源参数。该系统一旦一个台站接收到地震信号就确定地震位置和震级，并通过接收连续数据来进化地改进解决方案。我们将该系统应用于2016年意大利亚平宁山脉中部的Mw 6.0地震及其后续序列。在最早的P相之后的4秒内就可以可靠地确定地震的位置和震级，平均误差范围分别为6.8-3.7 km和0.31-0.23。
2020-06-02 cs.LG physics.geo-ph
SeisFusion: Constrained Diffusion Model with Input Guidance for 3D Seismic Data Interpolation and Reconstruction
Key Laboratory of Earth Exploration and Information Techniques of Education Ministry, College of Geophysics, Chengdu University of Technology（成都理工大学地球物理学院 教育部地球勘探与信息技术重点实验室）；College of Computer Science and Cyber Security, Chengdu University of Technology（成都理工大学计算机与网络安全学院）
针对地震数据缺失问题，提出SeisFusion扩散模型框架，引入条件监督约束和三维网络，将二维扩散模型扩展到三维，并通过纳入缺失数据改进生成过程，在合成和现场数据上实现高精度重建。
2024-09-19 cs.LG physics.geo-ph
