.png){kind=icon}
返回
A Self‐Supervised Learning Framework for Seismic Low‐Frequency Extrapolation
.png){kind=icon}
OA
AI
DOI：10.1029/2024jh000157.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要全波形反演（FWI）能够生成高分辨率的地下参数模型，但当数据缺乏低频成分时，容易发生循环跳跃现象。不幸的是，这些成分（<5.0 Hz）在实际地震勘探中常被噪声污染，这阻碍了FWI的应用。为解决此问题，我们提出了一种新颖的自监督低频外推方法，该方法无需标签数据，使神经网络能够直接在真实数据上进行训练。在所提方法中，神经网络训练分为两个阶段：预热阶段和迭代数据精化（IDR）阶段。在IDR阶段，当前训练周期的伪标签来源于上一周期训练的网络对原始观测数据的预测结果。IDR阶段逐步缩小预测伪标签与理想真值之间的差距，从而提升网络的低频外推性能。该范式有效解决了在使用监督学习技术时通常遇到的显著泛化差距问题，这些技术通常在合成数据上进行训练。我们在合成数据和实际数据上验证了该方法的有效性。结果表明，该方法能有效外推低频成分，有助于规避FWI中的循环跳跃挑战。同时，通过整合自监督去噪器，我们的方法能够对含噪数据有效且同时地实现去噪和低频外推。此外，我们展示了该方法在扩展大规模采集地震记录中次低频成分的潜在应用。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息