基于物理驱动生成对抗网络的地震全波形反演
机器学习
2026-03-17 v1 人工智能
摘要
目标：全波形反演（FWI）是一种高分辨率地球物理成像技术，通过迭代最小化预测信号与观测信号之间的差距来重建地下速度模型。然而在复杂地质条件下，传统FWI严重依赖初始模型，当数据稀疏或受噪声污染时，易产生不稳定结果。方法：为此，本文提出一种基于物理驱动生成对抗网络的全波形反演方法。该方法将深度神经网络的数据驱动能力与震波方程施加的物理约束相结合，并通过判别器采用对抗训练以提升反演结果的稳定性和鲁棒性。结果：在两个具有代表性的基准地质模型上的实验结果表明，所提方法能够有效恢复复杂的速度结构，在结构相似性（SSIM）和信噪比（SNR）方面性能优异。结论：该方法为缓解全波形反演的初始模型依赖性提供了有前景的解决方案，在实际应用中显示出强大的潜力。
引用
@article{arxiv.2603.14879,
title = {Seismic full-waveform inversion based on a physics-driven generative adversarial network},
author = {Xinyi Zhang and Caiyun Liu and Jie Xiong and Qingfeng Yu},
journal= {arXiv preprint arXiv:2603.14879},
year = {2026}
}