.png){kind=icon}
返回
Robust full waveform inversion with deep Hessian deblurring
.png){kind=icon}
OA
AI
DOI：10.1093/gji/ggae378.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
摘要
全波形反演（FWI）是一种广泛应用于地球物理学领域的技术，用于从波形地震数据中获得高分辨率的地下速度模型。由于计算成本高昂，FWI的大多数方法仅依赖损失函数梯度的计算来估计更新方向，因此忽略了Hessian的贡献。根据可负担的计算资源水平，可以计算并使用Hessian逆矩阵的近似值来加速FWI向全局（或一个合理的局部）最小值的收敛。在本工作中，我们提出使用线性化波动方程计算得到的近似Hessian，正如在最小二乘偏移中通常所做的那样。更具体地说，我们利用偏移图像与双重偏移图像（即通过对偏移图像进行反偏移—偏移操作得到的图像）之间的联系来估计Hessian的逆矩阵。然而，我们不是使用非平稳紧致滤波器来连接这两种图像并近似Hessian，而是提出使用深度神经网络直接学习FWI梯度（输出）与其Hessian（模糊）对应项（输入）之间的映射。通过这种方式，网络学习充当近似逆Hessian：因此，当将训练好的网络应用于FWI梯度时，可获得增强的更新方向，这被证明对FWI的收敛有益。训练好的（去模糊）网络的权重随后被转移到下一次FWI迭代中以加速收敛。我们在两个合成数据集和一个实际数据集上验证了所提出方法的有效性。
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