Learning-Driven Optimization Framework for Viscoacoustic Full-Waveform Inversion

Ning Li

doi:10.1109/tgrs.2026.3728102

Learning-Driven Optimization Framework for Viscoacoustic Full-Waveform Inversion

2026-08-27

0

PRE

AI

DOI：10.1109/tgrs.2026.3728102

原文链接

原文求助

摘要

En 中文

全波形反演（FWI）是一种高分辨率成像技术，通过充分利用地震波场信息来重建地下介质参数，在物理参数反演中具有显著应用。然而，在粘弹性介质中，多参数FWI存在速度与品质因子（Q）之间的强耦合，同时地震数据对Q的敏感性相对较弱。这些问题常导致严重的参数串扰、收敛稳定性降低和反演精度受限。为解决这些挑战，我们提出了一种基于卷积隐式正则化的Q全波形反演方法（CIR-QFWI）。在该方法中，由深度图像先验（DIP）驱动的无监督卷积神经网络嵌入到FWI迭代框架中。网络架构强加的内在先验作为隐式正则化，引导速度和Q模型向地质上合理的结构演化，并有效缓解参数耦合和反演伪影。同时，为避免粘弹性多参数反演中传统伴随态方法的梯度推导与实现复杂性，我们开发了基于自动微分的统一梯度计算框架。通过利用计算图和链式法则，梯度可自动获取，显著简化了实现过程。为进一步缓解自动微分在长时间步波场传播中的高内存消耗，引入了检查点策略以平衡计算效率与内存使用。数值实验表明，与常规FWI方法相比，所提出的CIR-QFWI在速度和Q模型重建方面实现了更高分辨率，验证了其在粘弹性介质多参数反演中的有效性和潜力。

Keyword:

Full waveform inversion (FWI)

viscoacoustic media

quality factor (Q)

deep image prior (DIP)

automatic differentiation (AD)

Learning-Driven Optimization Framework for Viscoacoustic Full-Waveform Inversion

摘要

期刊

机构

引用论文