基于深度学习的地震数据同化在断层激活建模中的代理模型
数值分析
2025-02-19 v2 数值分析
摘要
评估地下资源开发与管理的安全性与环境影响至关重要，需依赖稳健的地质力学模型。然而，源自模型假设、控制参数内在变异性以及数据误差的不确定性挑战了预测的可靠性。缺乏直接测量时，逆向建模和随机数据同化方法可提供可靠解决方案，但在复杂大规模场景下计算开销昂贵。为此，本文提出一种深度学习代理模型 (SurMoDeL)，用于断层激活建模中的地震数据同化。该代理模型利用神经网络提供复杂地球物理系统的简化且准确的表征，实现快速仿真与分析，为不确定性定量分析至关重要。本文提出两种不同方法将断层行为理解融入模型，从而提升预测精度。该代理模型的应用通过有效数据同化技术整合地震数据，有效约束不确定参数，弥合理论模型与真实观测之间的差距。
引用
@article{arxiv.2409.01215,
title = {A deep learning-based surrogate model for seismic data assimilation in fault activation modeling},
author = {Caterina Millevoi and Claudia Zoccarato and Massimiliano Ferronato},
journal= {arXiv preprint arXiv:2409.01215},
year = {2025}
}