基于卷积神网络全波形反演改进.pdfVIP

表格

{

边框‑collapse:

collapse;

}

表格,

th,

td

{

边框:

1px

solid

#000;

}

基于卷积神经网络的特征捕捉全波形

反演

与

George

A.

McMechan，德克萨斯大学达拉斯分校

演（FWI）通过匹配模拟数据与实测野外数据，可用于反演模型（如速

度与密度）。传统FWI假设质模型由背景平滑模型（初始模型）和仅产生一阶散射

波的扰动模型（一阶玻恩近似）组成。该假设不适用于包含强波阻抗差异几何目标体（如

盐体）的地质模型，因为大部分下行入射能量会在其顶部发生反射。因此，数据残差对几

何目标体顶部反射波的敏感度远高于其产生的波。相较于几何目标体及底部边界，

其顶部边界更易被准确反演。本文通过引入卷积神经网络（CNN‑FWI）改进FWI方法，

以捕捉并反演几何目标体。基于Sigsbee

P波模型的合成测试表明，所CNN‑F

WI比传统梯度下降FWI（GD‑FWI）能更精确地反演盐体几何形态。

引言

全波形反演（FWI）最初由Lailly（1983）和Ta