Seismic Data Registration Based on a Physically Constrained Unsupervised Framework

Yue Hu

doi:10.1109/TGRS.2025.3625936

Seismic Data Registration Based on a Physically Constrained Unsupervised Framework

2025-01-01

0

PRE

AI

DOI：10.1109/TGRS.2025.3625936

原文链接

原文求助

摘要

En 中文

为了实现多分量地震数据的成功反演和解释，将PS波映射到PP波的时间域至关重要。传统方法在数据因噪声、振幅、相位和频率扰动而存在差异时，其精度会下降。近年来，深度学习（DL）已被用于地震数据配准，该方法所需假设更少且计算成本更低。然而，现有方法主要侧重于通过神经网络进行直接匹配，常忽略物理约束。为解决上述问题，我们提出了一种基于物理约束无监督（PCUS）的地震数据配准方法。首先，为避免扭曲后的PS波出现不期望的折叠，我们要求使用保持波形不变的保序扭曲函数。我们通过参数化扭曲函数与速度比 $V_{\mathrm { P}}/V_{\mathrm { S}}$ 之间关系这一物理约束，来保证扭曲函数的保序性。然后，我们考虑地震事件的连续性，并添加平滑正则化项以确保扭曲函数的平滑性。最后，我们利用无监督DL框架解决此问题。在合成数据和实际数据集上的实验表明PCUS方法的有效性和灵活性。在合成数据中，所提出的PCUS方法对振幅、相位、频率和噪声扰动表现出鲁棒性。其相对均方根误差（RRMSE）至少是传统动态图像扭曲（DIW）方法和基于DL的配准（DLR）方法产生误差的十分之一。在实际数据中，所提出的PCUS方法在保持PS波形不变的前提下，实现了PS波和PP波地震事件的配准。

Keyword:

Deep learning (DL)

physical constraint

physically constrained unsupervised (PCUS)

seismic data registration

unsupervised

Seismic Data Registration Based on a Physically Constrained Unsupervised Framework

摘要

期刊

机构

引用论文