文献

J-GLOBAL ID：202202265178099507   整理番号：22A0202765

地震マイグレーション画像を用いた深層学習全波形インバージョン【JST・京大機械翻訳】

Deep-Learning Full-Waveform Inversion Using Seismic Migration Images

著者 (2件)： Zhang Wei (School of Information and Communications Engineering, Xi’an Jiaotong University, Xi’an, China) ,  Gao Jinghuai (School of Information and Communications Engineering, Xi’an Jiaotong University, Xi’an, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5901818.1-18  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： データ駆動深層学習完全波形反転(DD-DLFWI)は,自己設計地質構造とシミュレートした記録に基づいて,深層学習(DL)モデルが十分に訓練された場合,プレスタック地震記録から表面下の速度画像を効率的に再構成できる。しかし,このアプローチの鍵となる問題は,通常,前方および随伴演算子に関する知識を捨てることであり,貧弱な再構成品質および一般化能力をもたらす。これらの問題を緩和するために,地震移動画像を用いた深層学習完全波形反転(DLFWI)アプローチを開発した。この手法は2つのキーポイントを含んでいる。第一のキーポイントは,共通ソースデータドメインにおける地震記録に基づく従来のDD-DLFWIアプローチとは異なり,この手法は,背景速度を再構成するための畳み込みニューラルネットワーク(CNN)のデータエンジンとして,共通ソース画像領域における地震記録の逆時間移動(RTM)画像を利用する。第二のキーポイントは,再構成されたバックグラウンド速度に基づく高解像度速度モデルを再構成するために反復ニューラルネットワークアーキテクチャを利用することである。特に,再構成速度モデル,RTM画像,およびニューラルネットワークアーキテクチャの入力として正則化項の勾配を用いて,高解像度速度モデルを回復することができた。種々の層状および故障速度モデルによる合成実験を通して,提案したアプローチがプレスタック地震記録から表面下の高分解能速度を再構成できることを確認した。一方,それは再構成精度,ノイズ防止,および一般化能力に関して従来のDD-DLFWI方式より優れている。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  地質構造 ,  故障 ,  *地震 ,  再構成 ,  地震記象 ,  正則化 ,  高分解能
準シソーラス用語： 速度モデル ,  ニューラルネットワークアーキテクチャ ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 地震 ,  マイグレーション ,  深層学習 ,  波形インバージョン