地震波阻抗反演实验

准备工作

数据集

• 我选用Convolutional neural network for seismic impedance inversion中的数据，其中包含2020道一维地震波以及波阻抗数据。

  正演参数为频率为30Hz的雷克子波，$\Delta t = 4.3875e-4$。图1中为数据集中的4道数据展示，其中波阻抗数据已进行缩放。

• 随后将这些数据集划分为500个验证集、500个测试集和1020个训练集。

InversionNet: An Efficient and Accurate Data-Driven Full Waveform Inversion

• DOI: 10.1109/TCI.2019.2956866

• 传统的FWI很贵且效率不高，本文提出了一种深度学习反演方法，利用神经网络（CNN）学习和预测地震速度和地下结构的关系构建地震速度模型。

卷积神经网络（CNN）

• 卷积神经网络（Convolutional Neural Networks, CNN）是深度学习中一种重要的神经网络结构，特别适用于处理图像相关的机器学习问题。CNN通过模拟人脑视觉皮层对图像的处理机制，自动提取图像中的特征，从而实现对图像的识别和理解。

  在传统的MLP中，网络被简单的分为了表现层（特征提取）和决策层（输出），而在CNN中网络被进一步细分，以便能够更好的提取图像中的局部特征，具体分层结构为

  1. 输入层：输入信息；
  2. 卷积层：提取图像底层特征；
  3. 池化层：减少数据维度，防止过拟合；
  4. 全连接层：汇总图像底层特征和信息；
  5. 输出层：根据输入进行决策输出预测值。