基于条件生成对抗网络的数据驱动全波形反演代理模型
机器学习
2021-09-24 v1 信号处理
地球物理
摘要
在石油和天然气行业，估算地下速度场是地震处理、储层表征和烃类体积计算的关键步骤。全波形反演（FWI）速度建模是一种迭代高级技术，可提供准确而详细的速度场模型，但由于每次 FWI 迭代都需要基于物理的数值模拟，其计算成本极高。在本研究中，我们提出一种使用具有多输入的条件生成对抗网络（cGAN）生成速度场模型的方法，其详细程度与通过 FWI 获得的模型相当。该方法的主要动机是规避全波形反演速度建模的极高成本。我们使用真实世界数据训练和测试所提出的网络架构，并采用三项评估指标（百分比误差、结构相似性指数测度和视觉分析）作为质量准则。基于这些指标，在测试集上评估的结果表明，该 GAN 能够准确匹配真实的 FWI 生成输出，使其能够从输入数据中提取主要地质结构和横向速度变化。实验结果表明，所提出的方法在部署后有望加快地球物理储层表征流程，节省时间和计算资源。
引用
@article{arxiv.2105.00100,
title = {Data-driven Full-waveform Inversion Surrogate using Conditional Generative Adversarial Networks},
author = {Saraiva Marcus and Forechi Avelino and de Oliveira Neto Jorcy and DelRey Antonio and Rauber Thomas},
journal= {arXiv preprint arXiv:2105.00100},
year = {2021}
}