DispersioNET：基于卷积神经网络的瑞利波多模相速度频散曲线联合反演
地球物理
2023-10-24 v1 机器学习
摘要
瑞利波频散曲线已广泛用于近地表研究，主要反演剪切波（S波）速度剖面。然而，该反问题是非适定、非唯一且非线性的。在此，我们引入DispersioNET，一种基于卷积神经网络（CNN）的深度学习模型，用于执行瑞利波基阶与高阶模态相速度频散曲线的联合反演。DispersioNET在无噪声和含噪声频散曲线数据集上分别进行训练与测试，预测的S波速度剖面与真实速度密切吻合。该架构对S波速度剖面的变化（如速度随深度增加以及中间低速层）具有不变性，同时确保输出与层数无关。
引用
@article{arxiv.2310.14094,
title = {DispersioNET: Joint Inversion of Rayleigh-Wave Multimode Phase Velocity Dispersion Curves using Convolutional Neural Networks},
author = {Rohan Sharma and Divakar Vashisth and Bharath Shekar},
journal= {arXiv preprint arXiv:2310.14094},
year = {2023}
}
备注
Preprint of the paper submitted to the 2nd Indian Near Surface Geophysics Conference & Exhibition by AF Academy and the European Association of Geoscientists & Engineers (EAGE)