A Deep-Learning-Driven Optimization-Based Inverse Solver for Accelerating the Marchenko Method

doi:10.1111/1365-2478.70121

2025-12-31

PRE

Ning Wang *

Tariq Alkhalifah

DOI：10.1111/1365-2478.70121

原文链接

原文求助

摘要

En 中文

马肯科方法是一种利用地表记录的地震数据重建全波场格林函数的有力工具。这些格林函数随后可用于生成不受内部多次波引起的伪影影响的地下图像。尽管该方法具有优势，但其计算量很大，这主要归因于估计聚焦函数的迭代特性，该特性将格林函数与地表反射响应联系起来。为解决此局限性，提出了一种基于优化的求解器以高效地估计聚焦函数。这是通过训练一个网络来近似在小规模预计算的聚焦函数对子集上的正演模拟问题来实现的，将通过传统迭代方案获得的最终上行聚焦函数映射到其初始估计值。一旦训练完成，该网络即固定，并在马肯科框架内用作正演算子。对于给定的目标位置，输入被初始化并通过反向传播迭代更新，以最小化固定网络输出与已知的初始上行聚焦函数之间的不匹配。由此得到的估计值随后用于基于马肯科方程计算相应的下行聚焦函数和全格林函数。与传统基于传统迭代方案的马肯科方法相比，该策略显著降低了计算成本。在合成模型上的测试（仅使用0.8%的总成像点进行训练）表明，所提出的方法在保持相对良好成像结果的同时加速了成像过程，其效果优于单散射成像。对Volve油田数据的进一步应用表明了该方法的有效性和实用性，突显了其在高效、大规模地震成像中的潜力。

Keyword:

deep learning

self-supervised learning

inverse solver

Marchenko method

seismic imaging