高保真性地震超分辨率使用先前信息深度学习与3D意识

科学领域:

• 地质物理学 地质物理学
• 人工智能的人工智能
• 地震成像 - - 地震成像

背景情况:

• 地震垂直分辨率对于识别薄床至关重要,但当前用于地震超分辨率的深度学习方法面临着不切实际的输出和糟糕的概括性的挑战.
• 传统的2D地震方法往往遭受接的文物和缺乏空间的一致性,阻碍了准确的地下解释.

研究的目的:

• 开发用于地震超分辨率的新型深度学习框架,以提高数据保真性和概括性.
• 解决现有方法的局限性,改善地震垂直分辨率,以便更好地识别薄床.

主要方法:

• 生成真实的合成地震训练数据,模仿现场调查特征.
• 实现一个增强的2D网络与3D意识,结合2D旋转变换器和3D卷积,以高效地捕获空间特征.
• 使用未标记的现场数据制定预先知情的微调策略,包括自我监督的数据一致性和光谱匹配损失.

主要成果:

• 拟议的框架在地震超分辨率任务中显示了更好的保真性和概括性.
• 增强的2D网络有效地减少了工件,并与传统的2D方法相比改善了空间的一致性.
• 在多个现场数据集上的实验证实了地震分辨率增强方法的稳定性和实际适用性.

结论:

• 这种新型框架为地震超分辨率提供了强大而可通用的解决方案,大大改善了薄床的识别.
• 现实数据生成,有意识的2D网络和预先了解的微调的结合克服了基于深度学习的地震增强的关键挑战.
• 这种方法为地质科学家提供了一个实用的工具,可以在多种不同领域数据集中实现更高的地震垂直分辨率.