.png){kind=icon}
返回
Fault Recognition Method and Application Based on Generative Adversarial Network
.png){kind=icon}
OA
AI
DOI：10.1002/ese3.70086.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
鉴于深度学习在断层识别中泛化能力的局限性，特别是在复杂地下地质条件和可变地震数据特征的情况下，直接使用基于合成数据训练的网络进行真实数据断层预测往往无效。为克服这一挑战，本研究提出了一种创新解决方案，利用生成对抗网络-UNet（GAN-UNet）从数据中深度提取特征。该网络采用U-Net架构作为骨干，同时提取前向建模合成数据和真实地震数据的全部特征。这些特征被用作断层分类器和判别器的输入。断层分类器区分断层与非断层段，而判别器采用对抗机制区分输入特征源自真实地震数据还是合成数据。一旦判别器经过训练后无法准确辨别特征的精确来源，网络模型就有效揭示了两个数据集之间的基本共享特征。该方法在实践地震数据中展示了有效的断层识别能力。为验证该方法的有效性，我们将其应用于北海F3区块和西部深盆地的实际地震数据集。实验结果表明，与传统深度学习方法相比，该方法在断层识别方面表现出显著优势。它不仅提高了断层识别的准确性，还增强了模型对复杂地质条件的适应性。
Keyword:
deep learning
fault recognition
generation adversarial network
U-net
期刊
IF:
3.4
论文数:
2.3K
被引数:
5.7K
机构
暂无机构信息
引用论文
A New Method for Fault-Scarp Detection Using Linear Discriminant Analysis in High-Resolution Bathymetry Data From the Alarcon Rise and Pescadero Basin.png)
TECTONICS
TECTONICSIF3.6
PREAI
分享收藏Deep Learning for Simultaneous Seismic Image Super-Resolution and Denoising深度学习在同步地震图像超分辨率和去噪中的应用
PREAI
分享收藏Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition用于视觉识别的深度卷积网络中的空间金字塔池化
OAAI
OAAI分享收藏
查看更多内容