Accelerating Full Waveform Inversion By Transfer Learning
-
全波形反演(FWI)是一种强大的工具,能够基于波传播获得的稀疏测量数据来重建物质场。对于特定问题,使用神经网络(NN)对物质场进行离散化可以提高相应优化问题的鲁棒性和重建质量。本文将这种方法称为基于神经网络的FWI。从初始预测开始,迭代更新神经网络的权重,以使模拟的波形信号与稀疏测量数据集相拟合。对于基于梯度的优化,选择合适的初始预测(即合适的神经网络权重初始化)对于实现快速且稳健的收敛至关重要。
本文提出了一种新颖的迁移学习方法,以进一步改进基于神经网络的FWI。该方法利用监督预训练来提供更好的神经网络权重初始化,从而加快后续优化问题的收敛速度。此外,反演结果还能得到物理上更有意义的局部最小值。网络被预训练以使用传统FWI第一次迭代中的梯度信息来预测未知的物质场。在二维域计算实验中,训练数据集由具有任意位置、不同形状和方向的椭圆形空洞的参考模拟组成。
本文将所提出的迁移学习基于神经网络的FWI与另外三种方法进行了性能比较:传统FWI、未进行预训练的基于神经网络的FWI,以及使用预训练神经网络预测的初始猜测的传统FWI。结果表明,迁移学习基于神经网络的FWI在收敛速度和重建质量方面均优于其他方法。