基于卷积神经网络的一维频域与时域电磁数据反演
地球物理
2019-12-03 v1 机器学习
图像与视频处理
计算物理
摘要
电磁数据反演在地球物理学的许多领域都有应用。反问题通常用确定性优化方法（如非线性共轭梯度或高斯-牛顿法，易陷入局部极小）或概率方法（计算量极大）求解。近来兴起的一种替代方案是采用深度神经网络从测量数据中预测地下模型属性。该方法完全数据驱动，不使用传统的基于梯度的技术，并能瞬时给出模型猜测。在本研究中，我们应用深度卷积神经网络对一维海洋频域可控源电磁（CSEM）数据以及陆上时域电磁（TEM）数据进行反演。我们的方法在合成数据和真实数据上均给出准确结果，并瞬时提供。使用多个网络并融合它们在不同训练轮次下的输出，还可洞察不确定性分布，发现其在电阻率异常存在区域更高。所提方法为勘探场景中实时估计地下电阻率分布开辟了可能。
引用
@article{arxiv.1912.00612,
title = {Inversion of 1D frequency- and time-domain electromagnetic data with convolutional neural networks},
author = {Vladimir Puzyrev and Andrei Swidinsky},
journal= {arXiv preprint arXiv:1912.00612},
year = {2019}
}