.png){kind=icon}
返回
Optimizing deep-learning first-break picking
.png){kind=icon}
PRE
AI
DOI：10.1093/rasti/rzag027.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的首波拾取是高质量速度模型构建的关键要求，但手动拾取仍耗时且易出错。现有的单站自动方法忽略了相邻道集的空间连贯性，而其他基于深度学习的首波拾取方法通过数据降采样牺牲了时间分辨率，限制了其可靠性。我们提出了DeepFB，一种基于U-Net的神经网络，用于主动源地震数据中的鲁棒性自动首波拾取。该模型在多个道的重叠块上运行，在保持时间分辨率的同时利用空间相关性。使用进化算法Propulate进行的自动化超参数优化实现了无需手动调整的最优模型配置。在测试的其他超参数中，我们检验了在训练中使用简化的走时数据集或使用噪声增强技术是否可以提高首波拾取性能，特别是在嘈杂的海底地震仪记录中。在厄瓜多尔海岸线的HIPER2实验中的应用表明，DeepFB的拾取精度可与手动拾取相媲美，残差接近我们测试数据集中的手动拾取结果。基于自动和手动拾取的层析成像反演产生了一致的速模型，仅在复杂地质结构附近存在局部差异。DeepFB因此实现了准确、高效和可扩展的首波拾取，减少了手动工作量同时保持了可靠性。
Keyword:
first-break picking
active seismic
machine learning
semantic segmentation
attention layer
convolutional neural network