.png){kind=icon}
返回
.png){kind=icon}
PRE
AI
DOI：.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）需要准确表示源子波以增强模型重建的可靠性。传统的子波估计方法依赖于现有速度模型的准确性。我们提出了一种数据驱动方式下的速度与源子波联合估计方法。为实现此目的，创建了一个包含随机生成速度模型和源子波配对的数据集。每个子波被注入其对应的速度模型中，以模拟地震记录。随后训练一个卷积神经网络（CNN），用于从生成的炮记录中预测速度和子波特征。训练后的CNN有效消除了由不准确源子波引起速度估计偏差。通过联合估计速度和子波，该方法在地震速度重建方面优于仅预测速度的网络。该技术展示了在合成数据及浅层地震现场数据集上生成高分辨率FWI成像所需输入的潜力。
期刊
暂无期刊信息
机构
引用论文
Seismic waveform inversion in the frequency domain, Part 1: Theory and verification in a physical scale model.png)
GEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏分享收藏
The role of attenuation in 2D full-waveform inversion of shallow-seismic body and Rayleigh wavesGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏分享收藏Source-independent time-domain waveform inversion using convolved wavefields: Application to the encoded multisource waveform inversionGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Multi-Task Learning for Low-Frequency Extrapolation and Elastic Model Building From Seismic Data
OAAI
OAAI分享收藏Frequency‐domain acoustic‐wave modeling and inversion of crosshole data: Part II—Inversion method, synthetic experiments and real‐data resultsGEOPHYSICS
GEOPHYSICSIF0
PREAI
分享收藏
查看更多内容