SG-DeepONet：用于全波形反演的源泛化深度算子学习
机器学习
2026-03-18 v2
摘要
全波形反演（FWI）旨在从观测到的地震波场重建地下速度模型，并最近受益于深度学习（DL）的进步。基于DL的FWI性能关键取决于训练数据的多样性，然而现有数据集如OpenFWI依赖于固定或弱变化的震源条件，限制了它们表示真实地震场景的能力，并阻碍了源泛化。为解决此问题，我们通过系统地改变多个表面震源的频率和水平位置，构建了一个新的源变量地震数据集，称为SVFWI。SVFWI进一步分为三个子集，分别模拟频率变化、位置变化及其组合效应，为数据驱动的FWI提供了一个具有挑战性的基准。我们进一步提出了SG-DeepONet，一个为FWI量身定制的新型基于DeepONet的编码器-解码器框架。分支网络从地震观测中提取多尺度时频特征，主干网络显式嵌入源物理参数，交互式解码网络实现有效的非线性融合和高保真速度重建。在SVFWI上的大量实验表明，与现有的基于DL的FWI方法相比，SG-DeepONet在变化的源条件下实现了优越的反演精度和鲁棒性。
引用
@article{arxiv.2408.08005,
title = {SG-DeepONet: Source-generalized deep operator learning for full waveform inversion},
author = {Zekai Guo and Lihui Chai and Ye Li},
journal= {arXiv preprint arXiv:2408.08005},
year = {2026}
}