چکیده

تعیین مدل سرعت در محیط‌های پیچیده زمین‌شناسی مانند محیط‌های دارای گنبد نمکی، یکی از چالش‌های مهم در پردازش داده‌های لرزه‌ای است. یکی از روش‌های قابل‌قبول با تفکیک‌پذیری بالا در تعیین مدل سرعت، روش وارون سازی شکل موج کامل است. این روش با وجود پیشرفت هایی که داشته هنوز از مشکلاتی از قبیل عملگر غیرخطی، بد وضعی مسئله، پرش دوره و هزینه محاسباتی بالا رنج می برد. در این مطالعه از روش شبکه عصبی عمیق برای حل مشکل استفاده می گردد. در این مقاله شبکه عمیقی را به نام SeisDeepNET معرفی کرده ایم که علاوه بر کمک برای حل مشکل‌های فوق ابعاد غیر یکسان تصاویر ورودی-خروجی شبکه (رکورد چشمه مشترک- مدل سرعت) را نیز برطرف می سازد. نتایج نشان می‌دهد این شبکه ضمن حفظ جزئیات مدل، قادر به تولید مدل سرعت بهتر نسبت به شبکه های مشابه از نوع کدگذار-کدگشا مانند (UNet)، حتی با تعداد داده آموزشی کمتر است.

کليدواژه ها

وارون سازی شکل موج کامل یادگیری عمیق درون‌یابی دوخطی شبکه های کدگذار-کدگشا

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
وحید هنربخش , 1400 , وارون سازی شکل موج کامل با استفاده از شبکه SeisDeepNet , دومین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک