利用深度算子网络进行声学全波形反演
机器学习
2025-04-16 v1
摘要
全波形反演是地下属性预测中一种重要的地球物理技术。它求解从地震数据预测高分辨率地球内部模型的反问题。传统 FWI 方法计算成本高昂。由于数据通常仅在地表采集，地球物理反问题常因数据有限而面临非唯一性挑战。在本研究中，我们引入一种利用深度算子网络 的新方法，试图同时改善 FWI 的效率与精度。所提出的 DeepONet 方法由地震波形反演地下速度场。该方法能够捕捉地下速度场的一些关键特征。我们证明，该架构可应用于含噪地震数据，且精度优于某些其他机器学习方法。我们还针对不同速度模型测试了所提方法的分布外预测能力。在某些速度模型中，所提出的 DeepONet 表现出与其他机器学习方法相当甚至更优的精度。为改进 FWI 工作流，我们提出将 DeepONet 输出作为常规 FWI 的初始模型，这可能改善 FWI 的性能。尽管我们仅证明了 DeepONet 相比以均匀速度场作为初始模型能促进更快的收敛，但与其他构建初始模型的方法相比，它可能具有一定优势。将 DeepONet 集成到 FWI 中可加速反演过程，并可能增强其鲁棒性与可靠性。
引用
@article{arxiv.2504.10720,
title = {Leveraging Deep Operator Networks (DeepONet) for Acoustic Full Waveform Inversion (FWI)},
author = {Kamaljyoti Nath and Khemraj Shukla and Victor C. Tsai and Umair bin Waheed and Christian Huber and Omer Alpak and Chuen-Song Chen and Ligang Lu and Amik St-Cyr},
journal= {arXiv preprint arXiv:2504.10720},
year = {2025}
}