何清龍等-Geophysics：人工智能深度神經網絡地震速度分析技術
以機器學習為代表的人工智能勘探是勘探地球物理學的國際前沿和熱點研究領域，對複雜構造礦產資源勘探開發具有重要的現實與科學意義。深度學習是機器學習研究中的一個新的領域，而深度神經網絡是一種強大的模擬人腦對複雜信息處理的數學模型，其本質上是構建多隱層的神經網絡模型，通過大規模數據訓練，得到大量更具代表性的信息。
高分辨率重構地下結構的一類重要的方法是全波形反演(FWI)，該方法的核心思想是藉助於地震波形所包含的豐富信息，利用觀測到的數據和模擬數據的最優匹配進行地下介質模型的重構。由於常規的全波形反演的不適定性以及目標泛函的高度非線性，導致了全波形反演往往具有多局部極值，給問題的求解帶來了挑戰。此外，該方法需要密集的波場模擬以估計梯度和步長。
中國科學院地質與地球物理研究所博士後何清龍與合作導師王彥飛研究員提出了一種基於深度神經網絡(DNN)的全波形反演地質體結構的通用反演方法。該方法的主要思想是基於萬能逼近定理，使用深度神經網絡的權重對物理參數進行重新參數化，將原反演問題轉化為物理原理約束下的網絡參數的重構問題。該反演方法的優勢是：重參數化的網絡具有對抗神經網絡的功能(GAN)，網絡的稀疏表示信息使得該方法具有隱式正則化的作用，因此適合求解不適定的非線性反問題。此外，由於該方法僅需要一階導數信息，因此具有很高的計算效率。通過使用多個圖形處理單元(GPU)和中央處理單元(CPU)進行權重更新和波場正演模擬，使其能夠充分利用硬件對算法進行加速。
圖1全波形反演深度神經網絡結構
圖2真實地質模型（左）與深度神經網絡全波形反演結果（右）
圖3重構結果垂直剖面對比。（左）水平位置1.2km；（中）水平位置2.8km；（右）水平位置3.8km
研究成果發表於Geophysics。(何清龍,王彥飛*. Reparameterized full-waveform inversion usingdeep neural networks[J]. Geophysics, 2021, 86(1): V1-V13. DOI:10.1190/GEO2019-0382.1)。該成果受國家自然科學基金(11801111&91630202)和國家重點研發計劃項目(2018YFC0603500)項目資助。
轉載請超鏈接註明：頭條資訊 » Geophysics：人工智能深度神經網絡地震速度分析技術
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。