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多いトレーニングデータセットの両方に焦点を当てた、地震速度反転問題に対する深い学習ベースのアプローチを提示します。
地震速度反転ネットワーク（SVINVNET）は、密なブロックで強化されたマルチ接続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ます。
この設計は、時系列データを効果的に処理するように特別に調整されています。これは、非線形地震速度の反転の課題に対処するために不可欠です。
トレーニングとテストのために、多層、誤った、塩ドームのカテゴリを含む多様な地震速度モデルを作成しました。
また、一貫性と確率的の両方のさまざまな種類の周囲ノイズと、トレーニングデータセットのサイズが学習成果にどのように影響するかを調査しました。
SVINVNETは、750〜6,000のサンプルの範囲のデータセットでトレーニングされており、12,000サンプルの大きなベンチマークデータセットを使用してテストされています。
ベースラインモデル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達成します。
SVINVNETのパフォーマンスは、OpenFWIデータセットとMarmousi由来の速度モデルを使用してさらに評価されました。
比較分析は、提案されたモデルの有効性を明確に明らかにしています。

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 time series data, which is essential 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 model, SVInvNet achieves superior performance with this dataset. The performance of SVInvNet was further evaluated using the OpenFWI dataset and Marmousi-derived velocity models. 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