地震反演近期文章阅读
地震反演近期文章阅读
- 【1】Low-Frequency Impedance Inversion by Using InterpretableGated Recurrent Encoder-Decoder Networks(EAGE2020)
- 1. Summary
- 2. Introduction
- 3. Method
- 4. Examples
- 【2】Seismic Acoustic Impedance Estimation by Learning from Sparse Wells via Deep Neural Networks(EAGE2020)
- 1. Summary
- 2. Introduction
- 3. Method
- 4. Application
- 【3】A theory-guided deep learning formulation of seismic waveform inversion(SEG2019,Geophysics2020)
- 1. Summary
- 2. Theory
- Experiments
- 【4】Training a physics-guided convolutional neural network for seismic inversion(eartharxiv.org,2020)
- 1. 问题描述
- 2. Baseline方法原理及结果
- 2. Physics-Guiding方法原理及结果
- 其他文章
【1】Low-Frequency Impedance Inversion by Using InterpretableGated Recurrent Encoder-Decoder Networks(EAGE2020)
1. Summary
传统的地震波阻抗反演方法无法有效地预测低频波阻抗信息,而低频波阻抗对于降低反演问题的欠定性有很大作用,因此,这篇文章提出了一种 interpretable gated recurrent encoder-decoder network(简称GRED) 结构,通过测井波阻抗曲线和过井地震道构成训练对,训练GRED,得到一个有效的低频波阻抗反演模型。
2. Introduction
传统的反演方法之一是通过词典学习(dictionary learning)从测井数据获得词典,将该词典作为先验信息约束反演过程,该方法受低频波阻抗模型影响较大。
这篇文章通过GRU单元构建encoding、decoding网络,通过测井数据和观测到的地震数据进行监督学习。采用GRU的原因是因为地震波在传播过程中会逐渐衰减。
3. Method
采用encoding EEE 实现从地震数据到波阻抗数据的反演过程,采用decoding DDD 实现从波阻抗数据到地震数据的正演过程
损失函数如下:
采用Adam训练。
4. Examples
在部分Marmousi模型合成数据上进行实验:
提取上图所标出的10道数据作为训练集,训练结果如下:
图3(a)为本文方法结果,(b)为只使用损失函数第二项的反演结果,图4为低频的结果,可见,这篇文章的方法还是有效的。
笔者曾自己尝试过不用GRU,用普通CNN进行类似的工作,得到的结果如下:
其中,(a)为目标,(b)为普通CNN结果,可见,这篇文章所提出的GRU还是比普通CNN有效。
Ref.:
Jiao X, Yuan S, Sang W, et al. Low-Frequency Impedance Inversion by Using InterpretableGated Recurrent Encoder-Decoder Networks[C]//82nd EAGE Annual Conference & Exhibition. European Association of Geoscientists & Engineers, 2020, 2020(1): 1-5.
【2】Seismic Acoustic Impedance Estimation by Learning from Sparse Wells via Deep Neural Networks(EAGE2020)
1. Summary
地震反演需要从窄频带的地震数据得到宽频带的阻抗数据,地震数据是3D数据,能得到的标签阻抗数据是1D的测井数据,这些测井数据的位置稀疏分布在3D地震数据中。传统的深度学习方法大多采用1D网络,且需要对测井数据进行降采样以适应地震数据的时间采样率。这使得得到的模型往往只在测井周围有效,在3D地震数据上的反演结果不一致。
本文提出一种半监督学习方法,通过少量的稀疏分布的测井数据,学习对整个地震数据的反演。并在SEAM数据集上进行了验证。
2. Introduction
很多基于1D的反演方法,忽略了local seismic patterns。另一个挑战是测井数据通常是稀疏的,容易导致网络过拟合。
本文提出一种半监督学习方法,包含两个深度网络,第一个对地震数据进行自学习,获得地震数据的局部特征,第二个网络结合第一个网络学习到的局部特征和1D的测井数据,得到阻抗预测结果。
3. Method
所提出的结构包括两个部分:
- Seismic feature self-learning(SFSL):地震特征自学习,通过encode、decoder对地震数据进行自监督学习,获取对于地震数据纹理特征的知识,(降低过拟合)
- Seismic-well integration(SWI):地震测井整合,如图2所示,首先通过2D网络对地震数据提取特征,然后通过1D的Fine-tuner提取一维特征,映射到一维阻抗目标。
SWI网络的一部分通过训练好的SFSL网络得到。
4. Application
以下为在SEAM数据集上2D反演的结果:
以下为穿过一个盐体的一维反演结果:
可见,所用方法可以准确抓到波阻抗的主要变化
Ref.:
Di H, Chen X, Maniar H, et al. Seismic Acoustic Impedance Estimation by Learning from Sparse Wells via Deep Neural Networks[C]//82nd EAGE Annual Conference & Exhibition. European Association of Geoscientists & Engineers, 2020, 2020(1): 1-5.
【3】A theory-guided deep learning formulation of seismic waveform inversion(SEG2019,Geophysics2020)
1. Summary
从RNN的数学形式开始,本文推论出,在某些假设下,RNN训练过程可以等同于基于梯度的地震全波形反演(FWI)。本文提出了通过可训练的RNN建立一个波形反演(waveform inversion)模型
2. Theory
在2D且密度恒定的声介质中,波动方程可以是一个时空域的二阶差分方程,即t+Δtt+\Delta tt+Δt时刻的波场取决于t,t−Δtt, t-\Delta tt,t−Δt时刻的波场:
其中,∇2\nabla^2∇2为空间Laplacian算子,rrr为空间位置,ttt为之间坐标,uuu表示偏置(displacement),sss表示源函数,vvv表示i速度,为反演目标 。使用sss和前两个时刻的波场,即可迭代求解波场正演过程。因此,可以通过构建RNN进行这样的求解过程:
将上图中的计算过程写成公式:
ut+Δt=v2Δt2(∇2∗ut−st)+2ut−ut−Δtu_{t+\Delta t}=v^2\Delta t^2(\nabla^2*u_t-s_t)+2u_t-u_{t-\Delta t}ut+Δt=v2Δt2(∇2∗ut−st)+2ut−ut−Δt
dt+Δt=δxrut+Δtd_{t+\Delta t}=\delta_{x_r}u_{t+\Delta t}dt+Δt=δxrut+Δt
ut=utu_t=u_tut=ut
其中,将速度视为反演目标,因此v2Δt2v^2\Delta t^2v2Δt2为可训练参数。
通过计算正演得到的地震波形与实际波形的差异得到损失函数:
其中,nsn_sns表示震源数量,δdt=dt−dt~\delta d_t = d_t - \tilde{d_t}δdt=dt−dt~,其中dtd_tdt为实际地震波形(seismic record),d~t\tilde{d}_td~t表示RNN正演结果。
更新过程为:
Experiments
Ref.:
[1] Sun J, Niu Z, Innanen K A, et al. A theory-guided deep-learning formulation and optimization of seismic waveform inversion[J]. Geophysics, 2020, 85(2): R87-R99.
[2] Sun J, Niu Z, Innanen K A, et al. A theory-guided deep learning formulation of seismic waveform inversion[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2343-2347.
【4】Training a physics-guided convolutional neural network for seismic inversion(eartharxiv.org,2020)
降低深度学习反演模型自由度的方法:1、使用大量的训练数据;2、加入物理约束(physical constraint),也称”theory guiding“
本文提出了一种混合网络结构,综合了physics-based modeling和data-driven学习方法。
1. 问题描述
反演问题可以建模为:
其中,m~\tilde{m}m~表示反演结果,ddd表示i地震数据,Θ\ThetaΘ表示网络参数
损失函数写作:
其中,mmm表示目标
为平衡每个样本对网络训练的贡献程度,归一化损失函数写作:
2. Baseline方法原理及结果
- 网络结构示意图:
- 合成反演目标数据(地下速度剖面velocity model):
采用二阶有限差分算子,对上面的2D速度模型,进行正演波动方程模拟,得到炮集数据(shot gathers),下图为上面左上角速度模型的10炮正演结果:
- 按照上述方法的预测结果:
2. Physics-Guiding方法原理及结果
通过一个实现正演传播过程的 theory-designed waveform RNN算子F(⋅)F(\cdot)F(⋅)计算正演误差:
其中,kkk表示batch size,ttt表示时间长度,nsn_sns表示道数,最优的反演结果m~\tilde{m}m~应该满足:
采用梯度下降方法,对应更新值为:
其中,d~is,t=Fs,t(m~i)\tilde{d}_i^{s,t}=F^{s,t}(\tilde{m}_i)d~is,t=Fs,t(m~i),因此偏导数∂L~dk∂d~is,t\frac{\partial{\tilde{L}_d^k}}{\partial \tilde{d}_i^{s,t}}∂d~is,t∂L~dk只由正演算子F(⋅)F(\cdot)F(⋅)决定,以下图的时间二阶有限差分算子为例:
偏导数∂L~dk∂d~is,t\frac{\partial{\tilde{L}_d^k}}{\partial \tilde{d}_i^{s,t}}∂d~is,t∂L~dk应该包含三个时间点: t,t+Δt,t+2Δtt, t+\Delta t, t+2\Delta tt,t+Δt,t+2Δt的信息:
具体的推导过程见Ref. [2]
- physics-guided network for seismic inversion 原理
本文所提出的physics-guided network结构如下:
输入为地震道集(shot gathers),输出为反演目标参数,损失函数为:
- 按照上述方法的预测结果:
可见,本文方法很有效。
Ref.:
[1] Sun, Jian, Kristopher Innanen, and Chao Huang. “Training a physics-guided convolutional neural network for seismic inversion.” (2020).
[2] Sun J, Niu Z, Innanen K A, et al. A theory-guided deep-learning formulation and optimization of seismic waveform inversion[J]. Geophysics, 2020, 85(2): R87-R99.
其他文章
- Lewis W, Vigh D. Deep learning prior models from seismic images for full-waveform inversion[M]//SEG Technical Program Expanded Abstracts 2017. Society of Exploration Geophysicists, 2017: 1512-1517.
- Das V, Pollack A, Wollner U, et al. Convolutional neural network for seismic impedance inversion[M]//SEG Technical Program Expanded Abstracts 2018. Society of Exploration Geophysicists, 2018: 2071-2075.
使用两层1D CNN模型,并分析了子波主频等对反演结果的影响 - Das V, Pollack A, Wollner U, et al. Convolutional neural network for seismic impedance inversion[J]. Geophysics, 2019, 84(6): 1-66.
在2的基础上补充了实验,并进行了实际数据测试,使用测井数据求得子波,进而合成数据集,将训练得到的模型直接应用于实际数据反演,评估井上的吻合度 - Mustafa A, Alfarraj M, AlRegib G. Estimation of Acoustic Impedance from Seismic Data using Temporal Convolutional Network[J]. arXiv preprint arXiv:1906.02684, 2019.seg
一种结合GRU和CNN的1D时序波阻抗反演模型 - Alfarraj M, AlRegib G. Semi-supervised Learning for Acoustic Impedance Inversion[J]. arXiv preprint arXiv:1905.13412, 2019.seg
在4的基础上,加入了闭环结构 - Wang K, Bandura L, Bevc D, et al. End-to-end deep neural network for seismic inversion[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: xxx-xxx.
直接实现从地震数据到反演目标的映射,不需要中途估计子波,使用一个row-shift矩阵对1D数据进行增广 - Li Q, Luo Y. Using GAN priors for ultrahigh resolution seismic inversion[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2453-2457.
每次都会把解空间限制在由gan生成的与测井数据同分布的空间中 - Yang F, Ma J. Deep-learning inversion: a next generation seismic velocity-model building method[J]. Geophysics, 2019, 84(4): 1-133.
- Mosser L, Dubrule O, Blunt M. Stochastic seismic waveform inversion using generative adversarial networks as a geological prior[C]//First EAGE/PESGB Workshop Machine Learning. 2018.
- Chen D, Gao J, Hou Y, et al. High resolution inversion of seismic wavelet and reflectivity using iterative deep neural networks[M]//SEG Technical Program Expanded Abstracts 2019. Society of Exploration Geophysicists, 2019: 2538-2542.
地震反演近期文章阅读相关推荐
- 视觉与智能学习近期期刊阅读与相关知识学习
近期文章与代码阅读: [1]. Cairong Zhao, Zhicheng Chen et al. "Context-Aware Feature Learning for Noise Ro ...
- 如何估算文章阅读时长?
简评:包括 Medium 在内的很多阅读类网站或 App 都有阅读时长的提示,那么这个数值是怎么来的呢? 早些时候,阅读类平台还在野蛮生长. Medium 的工程师写着代码的同时,也在阅读自家平台上的 ...
- .Net Discovery系列文章阅读索引--带你探索未知的.Net世界
.Net Discovery系列文章是讲述.Net平台机制的文章,目前已有12篇,分别讲述了.Net垃圾收集.实时编译.字符串等部件的机制,现在推出1周年之际总结文章阅读索引,希望对大家有所帮助. ...
- “云时代架构”经典文章阅读感想十二
云时代架构"经典文章阅读感想十二 (牛逼的架构师是怎么炼成的?) 前几周阅读的三四十岁的大龄程序员,应该如何保持自己的职场竞争力?中提到如何在35岁左右可以实现掌握有核心竞争力.其中之一便是 ...
- 用户dsn保存位置‘_苹果iOS 13.6终于能保存文章阅读进度了 朋友都等秃了
几天前,iOS 13.6 Beta 2和iPadOS 13.6 Beta 2发布,据外媒iPhoneHacks消息,苹果此次通过新软件更新对Apple News应用程序进行了改进,更新后的iOS 13 ...
- 阅读量PHP设计,zblogPHP如何修改文章阅读量
很多网站访问量比较少,尤其是对于新站来说,有时发布的文章几天下来阅读量一直上不去,甚至还保留在个位数,这样看起来难免会有些尴尬,如何打破这种尴尬?zblogphp文章阅读量可以修改吗?答案是肯定的,修 ...
- python刷阅读_通过python+selenium3实现浏览器刷简书文章阅读量
准备工作 下载python,本文以python3.6为例.python3.6下载地址:python3下载地址,选择合适的版本安装.安装成功后,打开命令提示符,在其中输入python,显示如下信息,则说 ...
- [html] 请实现一个文章阅读的进度条
[html] 请实现一个文章阅读的进度条 chrome 浏览器中,通过document.documentElement.scrollTop获取页面滚过高度,通过document.documentEle ...
- “云时代架构”经典文章阅读感想十六
云时代架构"经典文章阅读感想十六 (支付宝架构师眼中的高并发架构) 经过这一学期的阅读,看到最多的一个名词就是高并发. 高并发高并发经常会发生在有大活跃用户量,用户高聚集的业务场景中,如:秒 ...
最新文章
- java ognl 性能_OGNL详解
- 记一个UltraEdit15.10注册码
- leetcode 201. Bitwise AND of Numbers Range(位运算,dp)
- python算法与数据结构-插入排序算法(34)
- python一对一_Python - Django - ORM 一对一表结构
- 令人窒息的数学动态图
- 高颜值可定制在线绘图工具
- dubbo注册中心的细节
- 编写HTML代码常见错误以及解决方法?
- CSS(九)元素隐藏和利弊
- php 递归函数 示例,php递归使用示例(php递归函数)_PHP
- shell 获取当前时间
- The coordinates or measures are out of bounds.
- MATAL角度弧度互换
- 计算机考试运用的数学知识点,计算器的使用知识点
- ele表格合并行之后的selection选中
- 基于Linux搭建一个类似Qik手机录像直播平台(服务器端:feng streaming server + web server,客户端:Android手机应用)
- 企业应该做的体系认证
- 15类图神经网络的应用场景总结
- 为什么程序下在其他盘,c盘空间还是增多了?appdata文件夹有什么用途?
热门文章
- opencl 加速 c语言程序_在AlveoU200加速卡上实现简单手写数字识别
- Pythontip刷题记录
- 音乐标签修改 android,mp3标签-mp3标签修改器 安卓版v4.0-PC6安卓网
- 网络工程师入门/底层通讯原理-李强强-专题视频课程
- win7系统不能保存文档到服务器,win7系统正确配置服务器
- Linux病毒扫描工具ClamAV 安装使用
- python代码运行助手是什么业务_Python代码运行助手
- PyInstaller打包,和朋友分享你的快乐
- 运行Xshell 提示没有MSVCP100.dll问题
- office2013激活