具有自适应数据增强的物理一致数据驱动波形反演
机器学习
2021-03-25 v1 图像与视频处理
机器学习
摘要
地震全波形反演（FWI）是一种非线性计算成像技术，可提供地下地球物理性质的详细估计。由于其不适定性与高计算成本，求解 FWI 问题具有挑战性。在本工作中，我们开发了一种求解 FWI 的混合计算方法，将基于物理的模型与数据驱动方法相结合。具体而言，我们开发了一种数据增强策略，该策略不仅能提高训练集的代表性，还能将重要的控制物理纳入训练过程，从而提高反演精度。为验证性能，我们将方法应用于由加州 Kimberlina 碳封存场地下地质模型生成的合成弹性地震波形数据。我们将物理一致的数据驱动反演方法与纯基于物理和纯数据驱动的方法进行比较，观察到我们的方法具有更高的精度与更强的泛化能力。
引用
@article{arxiv.2009.01807,
title = {Physics-Consistent Data-driven Waveform Inversion with Adaptive Data Augmentation},
author = {Renán Rojas-Gómez and Jihyun Yang and Youzuo Lin and James Theiler and Brendt Wohlberg},
journal= {arXiv preprint arXiv:2009.01807},
year = {2021}
}