Fourier-DeepONet：傅里叶增强的深度算子网络用于全波形反演，具有更高精度、泛化性与鲁棒性
机器学习
2024-01-17 v2 计算物理
地球物理
摘要
全波形反演（FWI）通过求解非凸优化问题从地震波形数据推断地下结构信息。数据驱动的 FWI 已借助各种神经网络架构得到日益增多的研究，以提高精度和计算效率。然而，预训练神经网络的适用性受到野外勘测所用源函数与训练期间所用源函数之间潜在差异的严重限制。在此，我们开发了用于 FWI 的傅里叶增强深度算子网络（Fourier-DeepONet），可泛化地震源（包括源的频率和位置）。具体而言，我们采用傅里叶神经算子作为 DeepONet 的解码器，并利用源参数作为 Fourier-DeepONet 的一个输入，从而以可变源解决 FWI。为测试 Fourier-DeepONet，我们构建了三个新的真实 FWI 基准数据集（FWI-F、FWI-L 和 FWI-FL），其源频率、位置或两者均变化。我们的实验表明，与现有数据驱动的 FWI 方法相比，Fourier-DeepONet 在广泛源参数范围内获得更精确的地下结构预测。此外，所提出的 Fourier-DeepONet 在处理含高斯噪声的数据或缺失道以及含高斯噪声的源时表现出优越的鲁棒性，为在多种真实条件下更可靠和准确的地下成像铺平了道路。
引用
@article{arxiv.2305.17289,
title = {Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustness},
author = {Min Zhu and Shihang Feng and Youzuo Lin and Lu Lu},
journal= {arXiv preprint arXiv:2305.17289},
year = {2024}
}