Интеграция глубокого обучения и дискретного косинусного преобразования для полноформатной инверсии поверхностных волн
Integrating deep learning and discrete cosine transform for surface waves full-waveform inversion
2024-11-08
SCID: 54.1/hp4ss4pu
Discuss with AI
оценка неопределенности методом Монте-Карломодели скорости S-волнглубокое обучениедискретное косинусное преобразованиеполноканальная инверсия поверхностных волн
Figures from the paper
Abstract (AI)
Точная оценка моделей скорости S-волн (Vs) в приповерхностной зоне имеет особое значение для геологических и инженерных исследований. С одной стороны, широко применяемый многоканальный анализ поверхностных волн (MASW) ограничен предположениями об одномерности среды и плоских волнах. С другой стороны, более современный и вычислительно затратный подход полноформатной инверсии (FWI) часто реализуется в рамках детерминированной схемы, что затрудняет точную оценку неопределённостей и делает итоговые прогнозы в значительной степени зависимыми от начальной модели. В настоящей работе мы объединяем глубокое обучение с дискретным косинусным преобразованием (DCT) для решения задачи FWI поверхностных волн и эффективной оценки неопределённостей инверсии. Предложенный нейросетевой подход эффективно обучается обратному нелинейному отображению между сейсмограммами, сжатыми с помощью DCT, и моделями скорости S-волн, также сжатыми с помощью DCT. Включение DCT в структуру глубокого обучения обеспечивает ряд преимуществ: оно существенно уменьшает размерность пространства параметров и ослабляет обусловленность задачи. Кроме того, по сравнению с обучением в полном пространстве данных и моделей, это снижает сложность архитектуры сети и вычислительные затраты на этапе обучения. Для переноса неопределённостей из пространства данных в пространство моделей дополнительно используется метод Монте-Карло. Сначала реализованный метод инверсии тестируется на синтетических данных, чтобы продемонстрировать обобщающую способность обученной сети и исследовать последствия неверных предположений о шуме в зарегистрированных сейсмограммах и неточной оценки вейвлета. Далее демонстрируется применимость реализованного метода к полевым данным. В этом случае для валидации прогнозов используются имеющиеся данные буровых скважин. В обоих случаях — при работе с синтетическими и полевыми данными — прогнозы, полученные предложенным методом, сравниваются с результатами детерминированной FWI и сети, обученной в полном пространстве данных и моделей. Результаты экспериментов подтверждают, что реализованный...
Key Findings
1
Сжатие с помощью DCT уменьшает размерность пространства параметров, ослабляет плохую обусловленность задачи и снижает сложность нейронной сети и стоимость обучения по сравнению с обучением в полном пространстве.
2
Метод Монте-Карло распространяет неопределённости данных в пространство моделей, устраняя ограниченность детерминированной полноволновой инверсии.
3
На синтетических и полевых данных предложенный метод сравнивается с детерминированной FWI и сетями, обученными в полном пространстве; полевые результаты проверяются по данным скважинных измерений.
4
Метод объединяет глубокое обучение с дискретным косинусным преобразованием (DCT) для инверсии сейсмограмм поверхностных волн и оценки приповерхностных моделей скорости S-волн.
5
Нейронная сеть обучается нелинейному отображению между сейсмограммами и моделями скорости S-волн, сжатыми посредством DCT.
Research Object
модели скорости S-волн в приповерхностной зоне, выведенные по сейсмограммам поверхностных волн
Research Subject
полноканальная инверсия поверхностных волн, включая оценку неопределённости и влияние предположений о шуме и вейвлете
Publication Details
Publication Date
2024-11-08
Journal
Publisher
ISSN
Cited by
24
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest