利用预训练速度模型生成转换网络将先验从浅层传播至深层
地球物理
2024-08-20 v1 人工智能
计算物理
摘要
构建地下速度模型是实现利用地震数据进行地球发现与探索以及监测的关键目标。随着机器学习的兴起，这些速度模型（更准确地说，是其分布）可以被准确且高效地存储于生成模型中。这些存储的速度模型分布可用于正则化或量化全波形反演等逆问题中的不确定性。然而，大多数生成器，如归一化流或扩散模型，均对图像（速度模型）统一处理，忽略随观测位置变化而产生的空间依赖性和分辨率变化。为此，我们引入 VelocityGPT，这是一种新型实现，利用经过自回归训练的 Transformer 解码器从浅层地下向深层地下生成速度模型。鉴于地震数据通常记录在地表，自上而下的生成器可利用浅层反演信息作为指导（先验）来生成深层结构。为便于实现，我们使用额外的网络对速度模型进行压缩。我们还注入先验信息，如井信息或结构信息（由迁移图像表示），以生成速度模型。使用合成数据，我们展示了 VelocityGPT 作为地震速度模型构建中具有前景的生成模型应用方法。
关键词
引用
@article{arxiv.2408.09767,
title = {Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network},
author = {Randy Harsuko and Shijun Cheng and Tariq Alkhalifah},
journal= {arXiv preprint arXiv:2408.09767},
year = {2024}
}