.png){kind=icon}
.png){kind=icon}
返回
sFWI: physics-informed score-based generative modeling for robust full waveform inversion
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae55fb.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全波形反演（FWI）是一种重要的地球物理成像技术，应用于烃类勘探、地下碳存储和地震灾害评估。然而，FWI的有效性受到其不适定、非线性及非凸性质的显著影响，这些效应反过来又导致FWI严重依赖初始模型以避免收敛到局部极小值。尽管近期基于人工智能的方法旨在解决这些问题，但它们通常采用确定性框架，通过强制刚性的一对一映射来强化问题的固有模糊性。为缓解这些局限性，我们提出基于分数的全波形反演（sFWI），这是一种基于物理知识的生成框架，采用分数扩散来重新表述FWI过程。与确定性优化不同，sFWI学习地下模型的后验概率分布，条件是地震数据，明确建模不确定性和非唯一性，以直接解决FWI的不适定性。此外，我们引入了组分数搜索（GSS）算法，它作为全局采样器，消除了对初始地下模型的依赖，缓解了局部极小值问题，并在单GPU实现中从随机噪声分布生成一组合理的解。值得注意的是，GSS相较于简单的采样策略实现了8.6倍的速度提升。通过包括在Marmousi和SEAM Phase I模型上采用“预训练-微调”范式的全面验证，sFWI在SEAM（N=1000）上优于InversionNet，NRMSE降低了63%，结构相似性和PSNR分别提升了243%和104%（+8.77 dB），从而建立了一种更可靠、自动化和不确定性感知的FWI新范式。
Keyword:
full waveform inversion
score-based generative modeling
uncertainty quantification
seismic imaging
diffusion models
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。