SVInvNet: A Densely Connected Encoder-Decoder Architecture for Seismic Velocity Inversion

要約

この研究では、さまざまなサイズのノイズのあるトレーニング データセットとノイズのないトレーニング データセットの両方に焦点を当て、地震速度逆転問題に対する深層学習ベースのアプローチを示します。
当社の地震速度反転ネットワーク (SVInvNet) は、高密度ブロックで強化された複数接続のエンコーダー/デコーダー構造を含む新しいアーキテクチャを導入しています。
この設計は、非線形地震波速度反転の課題に対処するために重要な、複雑な情報を効果的に処理できるように特に調整されています。
トレーニングとテストのために、多層、欠陥、塩ドームのカテゴリーを含む多様な地震速度モデルを作成しました。
また、コヒーレントと確率の両方のさまざまな種類の周囲騒音とトレーニング データセットのサイズが学習結果にどのような影響を与えるかについても調査しました。
SVInvNet は、750 ～ 6,000 サンプルの範囲のデータセットでトレーニングされ、12,000 サンプルの大規模なベンチマーク データセットを使用してテストされます。
ベースラインと比較してパラメーターが少ないにもかかわらず、SVInvNet はこのデータセットで優れたパフォーマンスを実現します。
SVInvNet の結果はさらに、完全波形反転 (FWI) 法の結果と比較されます。
比較分析により、提案されたモデルの有効性が明確に明らかになります。

要約(オリジナル)

This study presents a deep learning-based approach to seismic velocity inversion problem, focusing on both noisy and noiseless training datasets of varying sizes. Our Seismic Velocity Inversion Network (SVInvNet) introduces a novel architecture that contains a multi-connection encoder-decoder structure enhanced with dense blocks. This design is specifically tuned to effectively process complex information, crucial for addressing the challenges of non-linear seismic velocity inversion. For training and testing, we created diverse seismic velocity models, including multi-layered, faulty, and salt dome categories. We also investigated how different kinds of ambient noise, both coherent and stochastic, and the size of the training dataset affect learning outcomes. SVInvNet is trained on datasets ranging from 750 to 6,000 samples and is tested using a large benchmark dataset of 12,000 samples. Despite its fewer parameters compared to the baseline, SVInvNet achieves superior performance with this dataset. The outcomes of the SVInvNet are additionally compared to those of the Full Waveform Inversion (FWI) method. The comparative analysis clearly reveals the effectiveness of the proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google