×
鲁道夫·S·M·弗雷塔斯。;Carlos H.S.巴博萨。;加布里埃尔·M·格拉。;Alvaro L.G.A.库蒂尼奥。;费尔南多·罗奇哈（Fernando A.Rochinha）。

不确定条件下地震成像逆时偏移的编解码深度替代。 （英语） Zbl 1460.86031号

计算。地质科学。 25，第3期，1229-1250（2021）.
摘要：由于存在多个不确定性源，地震成像面临挑战。数据测量、震源定位和地下地球物理特性存在不确定性。逆时偏移（RTM）是一种高分辨率深度偏移方法，可用于提取储层位置和边界等信息。然而，RTM耗时且数据密集，因为它需要计算两倍的波动方程来生成和存储成像条件。RTM嵌入不确定性量化算法（如蒙特卡罗方法）时，由于输入输出维数较高，其计算复杂性增加了四倍。在这项工作中，我们提出了一个不确定情况下RTM的编码器-解码器深度学习代理模型。输入是速度场的集合，表示不确定性，并输出地震图像。我们通过数值实验表明，代理模型可以准确地再现地震图像，更重要的是，可以再现从输入速度场到图像集合的不确定性传播。

MSC公司：

86甲15 地震学（包括海啸建模）、地震
86A22型 地球物理学中的反问题

关键词：

逆时偏移;深度学习;代理建模;不确定性量化

软件：

TensorFlow公司;Matlab公司;alr3
PDF格式BibTeX公司 XML格式引用
\textit{R.S.M.Freitas}等人，计算。地质科学。25，第3号，1229--1250（2021；Zbl 1460.86031）
全文： 内政部 arXiv公司

参考文献：

[1] Abadi，M.，Agarwal，A.，Barham，P.，Brevdo，E.，Chen，Z.，Citro，C.，Corrado，G.S.，Davis，A.，Dean，J.，Devin，M.版本，I.、Talwar，K.、Tucker，P.、Vanhoucke，V.、Vasudevan，V.、Viégas，F.、Vinyals，O.、Warden，P.、Wattenberg，M.、Wicke，M.、Yu，Y.、Zheng，X.：TensorFlow：异构系统上的大规模机器学习。https://www.tensorflow.org/。软件可从tensorflow.org获得（2015）
[2] Bai，L。；卢，H。；Liu，Y.，高效观测：地震波形数据的压缩传感和恢复，Pure Appl。地球物理学。，177, 1, 469-485 (2020)
[3] Ballesio先生。；贝克，J。；潘迪，A。；Parisi，L。；von Schwerin，E。；Tempone，R.，不确定性下地震波传播的多级蒙特卡罗加速，GEM-Int.J.Geomathe。，10, 1, 22 (2019) ·Zbl 1431.86001号
[4] 巴博萨，CH；昆士曼，LN；RM西尔瓦；阿尔维斯，CD；Silva，理学学士；马托佐，M。；罗奇哈，FA；Coutinho，AL，定量不确定性地震成像工作流程，计算。地质科学。，145, 104615 (2020)
[5] Belhadj，J。；Romary，T。；格式塔，A。；Noble，M。；Figliuzzi，B.，贝叶斯地震层析成像的新参数化，反演问题，34，33（2018）·Zbl 1407.86021号
[6] Bergstra，J.、Yamins，D.、Cox，D.D.：建立模型搜索科学：视觉架构的数百维超参数优化。摘自：《第三十届国际机器学习会议论文集》，第28卷，ICML'13，第I-115-I-123页。JMLR.org（2013）
[7] Bilinis，I。；Zabaras，N.，《多输出局部高斯过程回归：应用于不确定性量化》，J.Compute。物理。，231, 17, 5718-5746 (2012) ·Zbl 1277.60066号
[8] Bilinis，I。；北卡罗来纳州扎巴拉斯。；科诺米，文学学士；Lin，G.，《多输出可分离高斯过程：走向不确定性量化的有效、完全贝叶斯范式》，J.Compute。物理。，241212-239（2013年）·Zbl 1349.76760号
[9] Biswas，R.，Sen，M.：使用可逆跳跃哈密顿蒙特卡罗进行2D全波形反演和不确定性估计。摘自：SEG技术计划2017年扩充摘要。勘探地球物理学家协会，pp 1280-1285（2017）
[10] 博特罗，A。；格式塔，A。；Romary，T。；Noble，M。；Maisons，C.，《交互马尔可夫链随机地震层析成像》，地球物理学。国际期刊，207374-392（2016）
[11] Brantut，N.，实验室中使用声发射的时间分辨层析成像，以及砂岩压实应用，Geophys。《国际期刊》，2132177-2192（2018）
[12] Cerjan，C。；Kosloff，D。；Kosloff，R。；Reshef，M.，离散声波和弹性波方程的非反射边界条件，地球物理，50，4，705-708（1985）
[13] WF Chang；McMechan，GA，利用激发时间成像条件进行偏移距垂直地震剖面数据的逆时偏移，地球物理学，51，1，67-84（1986）
[14] WF Chang；乔治亚州McMechan，弹性逆时偏移，地球物理学，52，10，1365-1375（1987）
[15] Chattopadhyay，S。；McMechan，GA，叠前逆时偏移成像条件，地球物理，73，3，S81-S89（2008）
[16] 陈，Y。；高，K。；戴维斯，ES；辛哈，DN；潘提亚，C。；Huang，L.，用于高分辨率井筒完整性监测的准直超声束数据的全波反演和最小二乘反时偏移成像，应用。物理学。莱特。，113, 7, 071903 (2018)
[17] Chollet，F.：与python manning出版公司的深度学习（2017年）
[18] Diederik，P.K.，Jimmy，B.：Adam：一种随机优化方法。arXiv:1412.6980（2014）
[19] 伊利·G。；马尔科姆，A。；Poliannikov，OV，用快速非线性不确定性量化方法评估速度模型和图像中的不确定性，《地球物理学》，83，R63-R75（2018）
[20] Gebraad，L.，Boehm，C.，Fichtner，A.：使用哈密顿蒙特卡罗的贝叶斯弹性全波形反演。EarthArxiv p.qftn5（2019）
[21] Glrot，X.，Bordes，A.，Bengio，Y.：深度稀疏整流器神经网络。收录：Gordon，G.，Dunson，D.，Dudík，M.（编辑）《第十四届国际人工智能与统计会议论文集》，《机器学习研究论文集》。http://proceedings.mlr.press/v15/glorot11.html第15卷，第315-323页。劳德代尔堡PMLR（2011）
[22] 古德费罗，I。；Y.本吉奥。；Courville，A.，《深度学习》（2016），剑桥：麻省理工学院出版社，剑桥·Zbl 1373.68009号
[23] Huang，G.，Liu，Z.，van der Maaten，L.，Weinberger，K.Q.：紧密连接卷积网络。在：IEEE计算机视觉和模式识别会议论文集（2017）
[24] Huang，T.，Zhang，Y.，Zhanng，H.：墨西哥湾盐下成像中tti逆时偏移的好处。欧洲地质科学工程协会doi:10.3997/2214-4609.201400392（2009）
[25] Ioffe，S.，Szegedy，C.：批量规范化：通过减少内部协变量的转移来加速深层网络训练。摘自：第32届国际机器学习会议记录——第37卷，ICML'15，第448-456页。JMLR.org（2015）
[26] 卡哈纳，A。；Turkel，E。；德克尔，S。；Givoli，D.，《基于波动方程和深度学习的障碍物分割》，J.Compute。物理。，413, 109458 (2020)
[27] Kearey，P。；布鲁克斯，M。；Hill，I.，《地球物理勘探导论》（2013），霍博肯：威利
[28] Kukreja，N.，Huckelheim，J.，Louboutin，M.，Hou，K.，Luporini，F.，Hovland，P.，Gorman，G.：结合检查点和数据压缩进行大规模地震反演。arXiv:1810.05268（2018）
[29] 李，Y。；Sun，J.，利用模糊c-均值聚类进行三维磁化反演及其在地质分异中的应用，地球物理学，81，J61-J78（2016）
[30] Lindstrom，P。；陈，P。；Lee，EJ，通过有损在线压缩减少全三维地震波形层析成像（f3dt）的磁盘存储，Comput Geosci，93，45-54（2016）
[31] 刘，F。；张，G。；莫顿，SA；Leveille，JP，《利用波场分解进行逆时偏移的有效成像条件》，《地球物理》，76，1，S29-S39（2011）
[32] 马丁·J。；威尔科克斯，LC；Burstede，C。；Ghattas，O.，《大规模统计反演问题的随机牛顿mcmc方法及其在地震反演中的应用》，SIAM J.Sci。计算。，34、3、A1460-A1487（2012）·Zbl 1250.65011号
[33] MATLAB 8.6.0版（R2015b）。MathWorks Inc（2015），马萨诸塞州：马萨诸塞洲纳蒂克
[34] 莫，S。；北卡罗来纳州扎巴拉斯。；施，X。；Wu，J.，用于估计非高斯水力传导率的对抗性自动编码器与剩余密集卷积网络的集成，Water Resour。研究，56，e2019WR026082（2020）
[35] 莫，S。；Zhu，Y。；北卡罗来纳州扎巴拉斯。；施，X。；Wu，J.，非均匀介质中动态多相流不确定性量化的深度卷积编解码网络，水资源。研究，55，703-728（2019）
[36] Nguyen，BD；McMechan，GA，叠前逆时偏移的激发振幅成像条件，地球物理学，78，1，S37-S46（2013）
[37] 帕鲁西尼。；文丘里，D。；佩迪卡里斯，P。；Karniadakis，G.，《预测随机场的多精度高斯过程回归》，J.Compute。物理。，337, 36-50 (2017) ·兹比尔1419.62272
[38] Pau，GSH；张，Y。；Finsterle，S.，多查询地下水流应用的降阶模型，计算。地质科学。，17, 705-721 (2013) ·Zbl 1387.76085号
[39] 佩迪卡里斯，P。；文丘里管，D。；Karniadakis，GE，高维系统和海量数据集的多精度信息融合算法，SIAM J.Sci。计算。，38，B521-B538（2016）·Zbl 1342.62110号
[40] Pilikos，G。；Faul，AC，地震压缩传感中不确定性量化的贝叶斯建模，地球物理学，84，2，P15-P25（2019）
[41] 俄勒冈州波利安尼科夫；Malcolm，AE，速度不确定性对偏移反射层的影响：相对深度成像的改进，地球物理学，81，S21-S29（2016）
[42] Rasmussen，C.，Williams，C.：机器学习的高斯过程（2006）·Zbl 1177.68165号
[43] Ricker，N.，地震子波的形式和传播规律，地球物理学，18，1，10-40（1953）·数字对象标识代码：10.1190/1.1437843
[44] 萨瓦，P。；Fomel，S.，地震偏移中的时移成像条件，地球物理学，71，6，S209-S217（2006）
[45] 萨瓦，P。；Vasconcelos，I.，波方程偏移的扩展成像条件，地球物理学。前景。，59, 1, 35-55 (2011)
[46] Schuster，G.T.：地震反演，第1版，勘探地球物理学家学会（2017）
[47] Siahkoohi，A.，Rizzuti，G.，Herrmann，F.J.：成像和自动地平线跟踪中的不确定性量化：基于贝叶斯深度预测的方法。arXiv:2004.00227（2020）
[48] Strikwerda，J.C.：有限差分格式和偏微分方程。输入：SIAM。第2版。工业和应用数学学会。doi:10.1137/1.9780898717938（2004）·Zbl 1071.65118号
[49] 孙，J。；牛，Z。；Innanen，KA；李，J。；Trad，DO，地震波形反演的理论指导深度学习公式和优化，地球物理，85，2，R87-R99（2020）
[50] 唐，M。；刘，YJ；durlowsky，L.，动态地下水流问题中基于深度学习的数据同化替代模型，J.Compute。物理。，413, 109456 (2020) ·兹比尔1436.76058
[51] 王，B。；梅森，C。；郭，M。；Yoon，K。；蔡，J。；季军（Ji，J.）。；Li，Z.，使用基于逆时偏移的延迟成像时间扫描进行盐下速度更新和合成成像，地球物理学，74，6，WCA159-WCA166（2009）
[52] Weisberg，S.，应用线性回归（2005），纽约：威利，纽约·兹比尔1068.62077
[53] 宾夕法尼亚州威特；卢布托，M。；卢波里尼，F。；戈曼，GJ；Herrmann，FJ，带实时傅里叶变换的压缩最小二乘偏移，地球物理，84，5，R655-R672（2019）
[54] 吴，X。；Fomel，S.，具有局部斜率和多重网格相关性的最小二乘层，地球物理学，83，4，IM29-IM40（2018）
[55] Yang，Y。；Perdikaris，P.，随机、高维和多保真系统的条件深度代理模型，计算。机械。，64, 417-434 (2019) ·Zbl 1471.74074号
[56] 伊尔马兹：地震数据分析：地震数据的处理、反演和解释。勘探地球物理学家学会（2001年）
[57] Zand，T.、Siahkoohi，H.R.、Malcolm，A.、Ghoma，A.、Richardson，A.：基于总变量的逆时偏移的一致优化。计算。地质科学。doi:10.1007/s10596-020-09958-1（2020）·Zbl 1439.86023号
[58] Zhao，Z.，Sen，M.K.：用于Fwi和不确定性分析的基于梯度的Mcmc方法。摘自：SEG技术计划2019年扩充摘要。勘探地球物理学家协会，第1465-1469页（2019年）
[59] 周，HW；胡，H。；邹，Z。；Wo，Y。；Youn，O.，《逆时偏移：地震成像方法学展望》，《地球科学》。版次179207-227（2018）
[60] 朱，H。；李，S。；Fomel，S。；斯塔德勒，G。；Ghattas，O.，使用深度偏移的先验信息估计全波形反演不确定性的贝叶斯方法，《地球物理》，81，5，R307-R323（2016）
[61] Zhu，Y。；Zabaras，N.，《替代建模和不确定性量化的贝叶斯深度卷积编解码网络》，J.Compute。物理。，366415-447（2018）·Zbl 1407.62091号
[62] Zhu，Y。；北卡罗来纳州扎巴拉斯。；Koutsourelakis，P。；Perdikaris，P.，《无标记数据的高维代理建模和不确定性量化的物理约束深度学习》，J.Compute。物理。，394, 56-81 (2019) ·Zbl 1452.68172号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。