Deep Learning for Low-Frequency Extrapolation of Multicomponent Data in Elastic FWI
-
FWI的成功强依赖于一个准确的初始模型,在弹性体制下尤为重要——由于S-波波长较短,弹性FWI中的周期跳跃现象比声波FWI更严重。本文中,作者通过提出合成多分量弹性低频地震记录,并将这些“人工” 低频数据作为弹性FWI的频率扫描种子,进一步扩展了外推弹性FWI的工作。作者的方案包含深度学习——可以在两个训练数据集上训练同一个卷积神经网络(CNN),一个是粒子速度的垂直分量,另一个是水平分量,或将两个分量放在一起训练,以推断2D 弹性 FWI的低频弹性数据。CNN架构通过空洞卷积获得大感受野。在Marmousi2上的实验表明从 Hz 以上的带限(band-limited)数据推断出的 Hz 低频数据为P波和S波速度的弹性 FWI 提供了良好的初始模型。 此外,我们还研究了网络从声波数据到弹性数据的泛化能力,在弹性测试数据上, 通过弹性模拟收集训练数据集比声学模拟显示出更好的外推精度,即更小的泛化差距。