×

兹马思-数学第一资源

不确定条件下地震成像逆时偏移的编解码深代理。(英语) Zbl 1460.86031号
摘要:由于存在多种不确定性源,地震成像面临挑战。数据测量、震源定位和地下地球物理性质存在不确定性。逆时偏移(RTM)是一种高分辨率的深度偏移方法,可用于提取储层定位和边界等信息。然而,RTM是耗时和数据密集型的,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嵌入到不确定性量化算法(如montecarlo方法)中时,由于高输入输出维数,其计算复杂度增加了许多倍。在这项工作中,我们提出了一个编码-解码深度学习代理模型的RTM在不确定性。输入是速度场的集合,表示不确定性,并输出地震图像。数值实验表明,替代模型能够准确地再现地震图像,更重要的是,它能有效地再现输入速度场到图像集合的不确定性传播。
理学硕士:
86A15型 地震学(包括海啸模拟)、地震
86A22型 地球物理反问题
PDF格式 BibTeX公司 XML 引用
全文: 内政部
参考文献:
[1] M、M、Agarwal、A、Barham、P、BRVDO、E、陈、Z、Citro、C、Corrado、G.S、G.S、Davis、A、Dean、J、Devin、M、Ghemawat、S、Goodfellow、I、Harp、A、Irving、G、Isard,M、Isard,M、贾、Y、Jozefowicz、R、Kaiser、L、Kudlur、M、Leven伯格、J、M、Levenberg、J、J、M、D、蒙A、MOOR、S、Murray、D、Olah、C、C、Schuster、M、M、M、J、SHLE透镜、J、M、M、M、M、M、M、M、M你说,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年)
[2] 白,L。;卢,H。;Liu,Y.,高效观测:地震波形数据的压缩传感和恢复,纯应用。地球物理学,177,1469-485(2020年)
[3] 巴列西奥,M。;贝克,J。;潘迪,A。;帕里斯,L。;冯·施韦林,E。;Tempone,R.,不确定条件下地震波传播的多级蒙特卡罗加速度,GEM-Int.J.Geomathe.,10,1,22(2019年)·Zbl 1431.86001号
[4] 巴博萨,CH;昆斯曼,路易斯安那州;席尔瓦,RM;阿尔维斯,CD;Silva,理学学士;马托索,M。;罗辛哈,FA;库蒂尼奥,AL,地震成像工作流程与量化不确定性,计算机。Geosci.,145104615(2020年)
[5] 贝尔哈吉,J。;罗马利,T。;盖斯雷特,A。;诺布尔,M。;Figliuzzi,B.,贝叶斯地震层析成像的新参数化,反问题,34,33(2018)·Zbl 1407.86021号
[6] Bergstra,J.,Yamins,D.,Cox,D.D.:使模型搜索成为一门科学:视觉架构的数百维超参数优化。第30届国际机器学习会议论文集,第28卷,ICML'13,p。I-115-I-123。JMLR.org(2013年)
[7] 胆碱症,I。;Zabaras,N.,多输出局部高斯过程回归:不确定性量化的应用,J.Comput。《物理学》,231175718-5746(2012)·Zbl 1277.60066号
[8] 胆碱症,I。;北萨巴拉斯。;科诺米,BA;林,G.,多输出可分离高斯过程:走向一个有效的,完全贝叶斯范式的不确定性量化,J.Comput。物理学,241212-239(2013)·Zbl 1349.76760
[9] Biswas,R.,Sen,M.:使用可逆跳跃哈密顿蒙特卡罗法进行二维全波形反演和不确定性估计。在:SEG技术计划扩展摘要2017。勘探地球物理学家协会,第1280-1285页(2017年)
[10] 博泰罗,A。;盖斯雷特,A。;罗马利,T。;贵族,M。;Maisons,C.,相互作用马尔可夫链随机地震层析成像,地球物理学。J、 内景,207374-392(2016年)
[11] Brantut,N.,实验室中使用声发射的时间分辨层析成像,以及在砂岩压实、地球物理中的应用。J、 内景,2132177-2192(2018年)
[12] 瑟扬,C。;科斯洛夫,D。;科斯洛夫,R。;Reshef,M.,离散声波和弹性波方程的非反射边界条件,地球物理学,50,4705-708(1985)
[13] 昌,WF;McMechan,GA,利用激发时间成像条件对偏移距垂直地震剖面数据进行逆时偏移,地球物理学,51,1,67-84(1986)
[14] 昌,WF;乔治亚州麦克汉,弹性逆时偏移,地球物理学,52,101365-1375(1987)
[15] 查托帕迪亚。;乔治亚州麦克汉,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;潘泰亚,C。;Huang,L.,高分辨率井眼完整性监测中准直超声束数据的全波形反演和最小二乘逆时偏移成像,应用。物理。Lett.,113,7071903(2018年)
[17] Chollet,F.:与python manning publications company深度学习(2017)
[18] Diederik,P.K.,Jimmy,B.:亚当:随机优化的一种方法。arXiv:1412.6980(2014年)
[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进行贝叶斯弹性全波形反演。地球第十四页。qftn5(2019年)
[21] Glorot,X.,Bordes,A.,Bengio,Y.:深度稀疏整流神经网络。作者: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://progressions.mlr.press/v15/gloot11a.html,第15卷,第315-323页。PMLR,劳德代尔堡(2011)
[22] 古德费罗,我。;本吉奥,Y。;Courville,A.,深度学习(2016),剑桥:麻省理工学院出版社,剑桥·Zbl 1373.68009
[23] Huang,G.,Liu,Z.,van der Maaten,L.,Weinberger,K.Q.:密集连接卷积网络。在:IEEE计算机视觉和模式识别会议论文集(2017)
[24] Huang,T.,Zhang,Y.,Zhang,H.:tti逆时偏移对盐下成像的好处,墨西哥湾。欧洲地理信息工程协会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变化来加速深度网络训练。第32届国际机器学习会议论文集,第37卷,ICML'15,p。448-456。JMLR.org(2015年)
[26] 卡哈纳,A。;图克尔,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.Comput。物理学,413,109458(2020年)
[27] 凯雷,P。;布鲁克斯,M。;Hill,I.,地球物理勘探导论(2013),霍博肯:威利,霍博肯
[28] Kukreja,N.,Huckelheim,J.,Louboutin,M.,Hou,K.,Luporini,F.,Hovland,P.,Gorman,G.:大规模地震反演的联合检查点和数据压缩。arXiv:1810.05268(2018年)
[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,81,J61-J78(2016)
[30] 林德斯特罗姆,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,9345-54(2016)
[31] 刘,F。;张G。;莫顿,南卡罗来纳州;Leveille,JP,《利用波场分解进行逆时偏移的有效成像条件》,地球物理学,76,1,S29-S39(2011)
[32] 马丁,J。;路易斯安那州威尔科克斯;伯斯泰德,C。;高塔斯,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,暹罗J.Sci。计算机,34,3,A1460-A1487(2012年)·Zbl 1250.65011
[33] MATLAB,版本8.6.0(R2015b)。MathWorks公司(2015),马萨诸塞州:马萨诸塞州纳蒂克市
[34] 月,秒。;扎巴兰。;史,X。;Wu,J.,《用于估计非高斯导水率的对抗性自动编码器与剩余密集卷积网络的集成》,水资源。第56号决议,e2019WR026082(2020年)
[35] 月,秒。;朱,Y。;北萨巴拉斯。;史,X。;Wu,J.,非均匀介质中动态多相流不确定性量化的深卷积编解码器网络,水资源。第55703-728号决议(2019年)
[36] 阮,BD;McMechan,GA,叠前逆时偏移激发振幅成像条件,地球物理,78,1,S37-S46(2013)
[37] 帕鲁西尼,L。;文丘里管,D。;佩迪卡里斯,P。;Karniadakis,G.,随机场预测的多保真度高斯过程回归,计算机。Phys.,337,36-50(2017年)·Zbl 1419.62272
[38] Pau、GSH;张,Y。;Finsterle,S.,许多查询地下流应用的降阶模型,计算机。Geosci.,17705-721(2013年)·Zbl 1387.76085号
[39] 佩迪卡里斯,P。;文丘里管,D。;高维系统和海量数据集的多保真度信息融合算法,上海理工大学学报。Comput.,38,B521-B538(2016年)·Zbl 1342.62110
[40] 皮利科斯,G。;Faul,AC,地震压缩传感不确定性量化的贝叶斯建模,地球物理学,84,2,P15-P25(2019)
[41] 波利亚尼科夫;Malcolm,AE,《速度不确定性对偏移反射面的影响: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
[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)
[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.,波动方程偏移的扩展成像条件,地球物理学。前景,59,1,35-55(2011年)
[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.:成像和自动水平跟踪中的不确定性量化:基于贝叶斯深度先验的方法。arXiv:2004.00227(2020年)
[48] Strikewerda,J.C.:有限差分格式和偏微分方程。在:暹罗。第二版。工业与应用数学学会。doi:10.1137/1.9780898717938(2004年)·Zbl 1071.65118号
[49] 孙,J。;牛,Z。;加利福尼亚州伊纳宁;李,J。;Trad,DO,理论指导下的地震波形反演的深度学习公式和优化,地球物理,85,2,R87-R99(2020)
[50] 唐,M。;刘永杰;durlofsky,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.Comput。物理学,413109456(2020年)·Zbl 1436.76058
[51] 王,B。;梅森,C。;郭,M。;尹,K。;蔡杰。;吉,J。;Li,Z.,盐下速度更新和基于逆时偏移延迟成像时间扫描的复合成像,地球物理学,74,6,WCA159-WCA166(2009)
[52] 魏斯伯格,S.,应用线性回归(2005),纽约:威利,纽约·Zbl 1068.62077
[53] 维特,宾夕法尼亚州;卢布托,M。;卢波里尼,F。;戈尔曼,乔治亚州;Herrmann,FJ,《利用动态傅里叶变换进行压缩最小二乘偏移》,地球物理学,84,5,R655-R672(2019年)
[54] 吴,X。;Fomel,S.,具有局部坡度和多重网格相关性的最小二乘法层位,地球物理学,83,4,IM29-IM40(2018)
[55] 杨,Y。;Perdikaris,P.,随机、高维和多保真度系统的条件深代理模型,计算机。2019年第437-414页·Zbl 07095673
[56] Yilmaz,Ö.:地震数据分析:地震数据的处理、反演和解释。勘探地球物理学家协会(2001)
[57] Zand,T.,Siahkoohi,H.R.,Malcolm,A.,Gholami,A.,Richardson,A.:基于总变差的逆向时间偏移的一致优化。计算机。Geosci公司。doi:10.1007/s10596-020-09958-1(2020年)·Zbl 1439.86023号
[58] Zhao,Z.,Sen,M.K.:用于Fwi和不确定度分析的基于梯度的Mcmc方法。在:SEG技术计划扩展摘要2019年。勘探地球物理学家协会,第1465-1469页(2019年)
[59] 周,HW;胡,H。;邹,Z。;喔,是的。;Youn,O.,逆时偏移:地震成像方法学的前景,地球科学。修订版,179207-227(2018年)
[60] 朱,H。;李,S。;福梅尔,S。;斯塔德勒,G。;Ghattas,O.,利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,地球物理学,81,5,R307-R323(2016)
[61] 朱,Y。;Zabaras,N.,《替代建模和不确定性量化的贝叶斯深卷积编解码器网络》,计算机杂志。Phys.,366,415-447(2018年)·Zbl 1407.62091
[62] 朱,Y。;北萨巴拉斯。;Koutsourelakis,P。;Perdikaris,P.,《高维代理建模和无标记数据不确定性量化的物理约束深度学习》,J.Comput。物理学,394,56-81(2019年)·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。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。