Integrating Physics of the Problem into Data-Driven Methods to Enhance Elastic Full-Waveform Inversion with Uncertainty Quantification

要約

Full-Waveform Inversion (FWI) は、記録された地震波形と予測された地震波形の間の不適合を軽減することにより、地下の地球物理的特性の詳細な推定値を生成できる非線形反復地震画像技術です。
それにもかかわらず、FWI の強い非線形性により、最適化が極小値に閉じ込められる可能性があります。
この問題は、不適切な初期値、測定における低周波の欠如、ノイズ、およびその他の関連する考慮事項などの要因により発生します。
この課題に対処するため、高度な機械学習技術の出現により、深層学習などのデータ駆動型手法が地球物理学コミュニティでの注目を大幅に高めています。
さらに、弾性効果を正確に表現するには、FWI に弾性波方程式を含める必要があります。
データ駆動型の技術と弾性散乱理論の交差点には、機会と課題が存在します。
この論文では、弾性散乱の知識 (問題の物理学) を使用し、それを機械学習技術と統合することにより、純粋なデータ駆動型および物理ベースのアプローチと比較して精度を向上させる、時間調和 FWI の解決方法を提案します。
。
さらに、不確実性の定量化に対処するために、変分オートエンコーダーの構造を変更することで、問題の物理学に基づいた確率的深層学習手法を導入し、解の不確実性を探索できるようにします。
この分野で利用できるデータセットが限られていることに応じて、提案された方法のパフォーマンスと精度を評価するために、現実に近い包括的なデータセットを作成し、それに対して提示されたアプローチの比較分析を実行します。

要約(オリジナル)

Full-Waveform Inversion (FWI) is a nonlinear iterative seismic imaging technique that, by reducing the misfit between recorded and predicted seismic waveforms, can produce detailed estimates of subsurface geophysical properties. Nevertheless, the strong nonlinearity of FWI can trap the optimization in local minima. This issue arises due to factors such as improper initial values, the absence of low frequencies in the measurements, noise, and other related considerations. To address this challenge and with the advent of advanced machine-learning techniques, data-driven methods, such as deep learning, have attracted significantly increasing attention in the geophysical community. Furthermore, the elastic wave equation should be included in FWI to represent elastic effects accurately. The intersection of data-driven techniques and elastic scattering theories presents opportunities and challenges. In this paper, by using the knowledge of elastic scattering (physics of the problem) and integrating it with machine learning techniques, we propose methods for the solution of time-harmonic FWI to enhance accuracy compared to pure data-driven and physics-based approaches. Moreover, to address uncertainty quantification, by modifying the structure of the Variational Autoencoder, we introduce a probabilistic deep learning method based on the physics of the problem that enables us to explore the uncertainties of the solution. According to the limited availability of datasets in this field and to assess the performance and accuracy of the proposed methods, we create a comprehensive dataset close to reality and conduct a comparative analysis of the presented approaches to it.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google