.png){kind=icon}
返回
Low-Frequency Seismic Data Reconstruction Using Deep-Learning Refined Deconvolution
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3588008.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
低频（LF）数据在缓解全波形反演（FWI）中的循环跳跃问题中发挥着关键作用。我们提出了一种基于多通道反褶积（MD）和深度学习（DL）的方法，能够高效准确地重建大量炮集的低频地震数据。具体而言，我们首先提出一种MD方法，用于预测极少量炮集的低频数据。然后，我们利用一个深度神经网络（称为“加速网络”）学习炮集与其对应低频数据之间的关系，基于MD方法提供的标签，实现对所有炮集的高效预测。接下来，提出另一个深度神经网络（称为“改进网络”）以提高“加速网络”预测的低频炮集的准确性。为此，基于测井资料的统计分布生成若干水平分层速度模型，并通过求解声波方程生成包含和不包含低频的合成炮集。基于这些合成炮集，MD预测的低频数据与对应的真实低频数据形成数据对[预测低频，真实低频]用于训练“改进网络”。最后，通过“加速网络”和“改进网络”的级联，重建所有炮集的低频数据。合成数据和实际数据示例验证，所提出的方法在低频数据重建方面展现出比传统MD方法更高的精度。
Keyword:
Deep learning (DL)
full waveform inversion (FWI)
low frequency (LF)
multichannel deconvolution (MD)
velocity model
期刊
IF:
16.4
论文数:
1.0W
被引数:
5.1K
机构
引用论文
Regularized phase retrieval for seismic wavelet estimation and blind deconvolution正则化相位恢复在地震波lets估计和盲反卷积中的应用
PREAI
分享收藏分享收藏A fast automatic multichannel blind seismic inversion for high-resolution impedance recovery.png)
GEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏
查看更多内容