SAGE：基于代理后验的地下 AI 驱动地质统计提取
机器学习
2026-04-02 v1 地球物理
机器学习
摘要
生成网络的最新进展为地下速度模型合成开辟了新途径，为传统方法（如全波形反演）提供了有吸引力的替代方案。然而，这些方法主要依赖于大规模高质量、地质真实的地下速度模型数据集的可用性，而这些数据在实际中往往难以获取。我们引入了 SAGE，一个用于从稀疏井日志和偏移地震图像中进行统计一致的代理速度生成的新型框架。在训练期间，SAGE 学习以两种模态（井和地震）为条件的速度模型的代理后验；在推理时，它仅以偏移图像为条件生成全分辨率速度场，井信息隐式地编码在学习到的分布中。这使得生成地质上合理且统计上准确的速度实现成为可能。我们在合成数据和实地数据集上验证了 SAGE，展示了其在有限观测约束下捕捉复杂地下变异性的能力。此外，从学习到的代理分布中抽取的样本可用于训练下游网络，支持反演工作流。总体而言，SAGE 为学习地震成像和反演的地质代理后验提供了一个可扩展且数据高效的途径。
引用
@article{arxiv.2604.00307,
title = {SAGE: Subsurface AI-driven Geostatistical Extraction with proxy posterior},
author = {Huseyin Tuna Erdinc and Ipsita Bhar and Rafael Orozco and Thales Souza and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2604.00307},
year = {2026}
}
备注
7 pages, 4 figures