Методы Гаусса—Ньютона и полного Ньютона в сейсмической инверсии волновых форм в частотной области

Gauss-Newton and full Newton methods in frequency-space seismic waveform inversion
G. Pratt, Changsoo Shin, M.A. Hicks
1998-05-26

метод Гаусса–Ньютонаматрица Гессеобратное распространениечастотно-доменная инверсияполный метод Ньютонасейсмическая волновая инверсия
Задание дискретной матричной формулировки задачи моделирования в частотно-пространственной области для линейных дифференциальных уравнений в частных производных (методы «FDM») позволяет вывести матричный формализм для стандартных итерационных нелинейных методов решения обратных задач, таких как градиентный метод (метод наискорейшего спуска), метод Гаусса—Ньютона и метод полного Ньютона. Мы получаем выражения для каждого из этих методов непосредственно из дискретного метода FDM и называем такой подход частотной инверсией (FDI). Методы FDI основаны на простых положениях матричной алгебры, но при этом обладают высокой общностью. Методы FDI требуют лишь, чтобы исходные дифференциальные уравнения в частных производных могли быть представлены в виде дискретной краевой задачи, то есть матричной задачи. Простые алгебраические преобразования выражений FDI позволяют вычислять градиент функции невязки всего за три шага прямого моделирования: один шаг для вычисления невязок, один — для обратного распространения невязок и заключительный — для вычисления длины шага. Этот результат полностью аналогичен ранее разработанным методам обратного распространения, выведенным с использованием методов функционального анализа для непрерывных задач. Используя простоту этого результата, мы приводим выражения FDI для приближённой матрицы Гессе, применяемой в методе Гаусса—Ньютона, и полной матрицы Гессе, применяемой в методе полного Ньютона. В рамках нового развития подхода мы показываем, что дополнительный член точной матрицы Гессе, которым пренебрегают в методе Гаусса—Ньютона, можно эффективно вычислять методом обратного распространения, аналогичным методу вычисления вектора градиента. Дополнительный член матрицы Гессе предсказывает ухудшение результатов линеаризованной инверсии вследствие наличия мультиплетов первого порядка, таких как кратные отражения от свободной поверхности в сейсмических данных. Иная интерпретация состоит в том, что этот член предсказывает изменения вектора градиента вследствие нелинейных эффектов второго порядка. В численном эксперименте методы Гаусса—Ньютона и полного Ньютона оказываются эффективными для решения сложной...
1
Аннотация обрывается до описания подробных результатов численного тестирования и количественных сравнений.
2
Дополнительный член точного гессиана, которым пренебрегает метод Гаусса—Ньютона, можно эффективно вычислять с помощью обратного распространения, аналогичного вычислению градиента.
3
Методология частотно-доменной инверсии применима в общем случае, когда исходные дифференциальные уравнения могут быть представлены как дискретная краевая задача в матричной форме.
4
Градиент функции невязки можно вычислять всего за три операции прямого моделирования: расчёт невязок, обратное распространение невязок и вычисление длины шага.
5
В статье непосредственно из дискретной матричной формулировки конечно-разностного моделирования в частотной области выводятся градиентный метод, метод Гаусса—Ньютона и полный метод Ньютона.
6
Этот дополнительный член гессиана предсказывает ухудшение линейных инверсий из-за кратных волн первого порядка и отражает изменения градиента, вызванные нелинейными эффектами второго порядка; численные тесты показывают эффективность обоих методов Ньютона.

Задача инверсии сейсмических волновых форм в частотной области (дискретная матричная формулировка FDM для наземных сейсмических отражений)

формулировки градиента, приближённого и полного гессианов, а также нелинейные эффекты методов инверсии Гаусса—Ньютона и полного метода Ньютона, включая ухудшение инверсии под воздействием мультиплетов первого порядка

Publication Details
Publication Date
1998-05-26
Journal
Publisher
ISSN
Access Type
Author Information
Authors
G. Pratt
Changsoo Shin
M.A. Hicks
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%