基于物理知识的W-Net GAN用于直接随机逆转全地震数据到面积模型

科学领域:

• 地质物理学 地质物理学
• 机器学习 机器学习
• 地质建模地质建模

背景情况:

• 地下地质面预测对于能源勘探和环境管理至关重要.
• 现有的地球物理逆向建模方法通常涉及多个步骤,并与面积依赖性质的空间不确定性作斗争.
• 生成对抗性网络 (GAN) 是有前途的,但需要改进,以获得准确的概率逆向建模.

研究的目的:

• 开发一个单步生成对抗网络 (GAN),用于预测地下地质面分布.
• 在GAN框架内整合面体和地震领域之间的基于物理的映射.
• 为了准确地解释面积依赖连续性质的空间不确定性,在反向问题的解决方案中.

主要方法:

• 开发了一种新的生成对抗网络 (GAN) 架构,以学习地质面和地震数据之间的基于物理的映射.
• 该GAN执行对抗训练,直接处理观察到的地球物理数据,以在单个步骤中解决反向问题.
• 该方法在培训过程中明确纳入了面积依赖性质的空间不确定性.

主要成果:

• 拟议的GAN成功地模拟了具有现实的空间连续性的地质面貌模式.
• 该模型准确地适应了观察到的地球物理数据,证明了有效的反向问题解决.
• 预测的面积变异性与面积依赖性质的空间不确定性成正比,改善了不确定性量化.

结论:

• 开发的GAN通过提供单步,准确和不确定性意识的解决方案,在地下地质面预测方面取得了重大进展.
• 这种方法克服了现有方法的局限性,从而为能源勘探和环境应用提供了更可靠的地理建模.
• GAN学习基于物理的绘图和处理空间不确定性的能力提高了地理物理数据的解释.