全波形反演的结构对齐编码器混合算子 (SA-EMO)
机器学习
2025-11-18 v1 人工智能
摘要
全波形反演（FWI）能够产生高分辨率的亚盲地模型，但本身天然是欠定性的、高度非线性且计算密集型。尽管最近的深度学习和数值加速方法在速度和可扩展性方面取得了改进，但它们往往依赖单一的 CNN 架构或单一神经算子，难以在未知或复杂的地质环境中泛化，无力有效区分多样化的地质类型。为此，我们提出了结构对齐编码器混合算子（SA-EMO）架构，用于未知亚盲地结构下的速度场反演。首先，结构对齐编码器将高维地震波场映射到物理一致的潜在空间，从而消除波形域与速度域之间的时空错位，恢复高频成分并增强特征泛化。随后，一个自适应路由机制选择并融合多个神经算子专家，包括谱系、小波系、多尺度系和局部算子，用于预测速度模型。我们在 OpenFWI 基准和 Marmousi2 数据集上系统性地评估了该方法。结果表明，SA-EMO 在传统 CNN 或单一算子方法中显著优越，平均 MAE 降低约 58.443%，边界分辨率提升约 10.308%。消融研究进一步表明，结构对齐编码器、专家融合机制和路由模块每个因素都对性能提升贡献突出。这一工作引入了一种高效、可扩展且具有物理解释性的全波形反演新范式。
引用
@article{arxiv.2511.11627,
title = {SA-EMO: Structure-Aligned Encoder Mixture of Operators for Generalizable Full-waveform Inversion},
author = {Wang Zhenyu and Li Peiyuan and Shi Yongxiang and Wu Ruoyu and Zhang Lei},
journal= {arXiv preprint arXiv:2511.11627},
year = {2025}
}