Physics-guided Fully Convolutional Network using attenuation information for viscoacoustic velocity model prediction
本研究提出了一种物理引导的全卷积网络，该网络将衰减信息作为辅助输入，旨在显著提高粘弹性声波速度模型重建的准确性与鲁棒性（相比于传统的纯数据驱动方法），同时也展示了该方法对衰减数据精度的敏感性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在地球表面深处，隐藏在直接视野之外，存在着储存石油、天然气和水的复杂结构。为了寻找这些资源，地球科学家向地下发送声波，并聆听回传的回声。这些回声携带了一幅地下世界的地图，但解读这张地图是极其困难的。声波经过的岩石和流体不仅会反射声音，还会吸收能量，导致波在传播过程中减弱并改变形状。这种被称为“衰减”的现象是关于声波所经过物质的一个物理线索，就像声音通过厚窗帘和通过薄玻璃片说话时的听感差异一样。几十年来，科学家们一直试图利用这些回声来构建准确的地下速度图像，这对于定位储层至关重要，但这一过程经常受到岩石本身复杂性的阻碍。
一个研究小组开发了一种新方法来帮助计算机解决这个难题。他们创建了一个专门的人工智能系统，旨在观察地震数据并以更高的准确度预测地下声速。这项工作的关键创新在于，他们教会了计算机不仅要关注声波的形状，还要关注那些波在传播过程中损失了多少能量的信息。通过向系统输入这一额外的物理细节层，他们发现该系统能够比仅观察波形的系统更忠实地重建地下地图。这种方法为获得更清晰的地球内部图像提供了一条充满前景的路径，可能使能源勘探变得更加高效和可靠。
研究人员专注于一种被称为“全卷积网络”（Fully Convolutional Network）的特定计算机网络，这种网络在识别图像和数据模式方面表现出色。在研究中，他们使用包含一万个合成地下模型的庞大库来训练这个网络。这些模型是著名的地质测试场 Marmousi II 的计算机生成版本，该测试场包含复杂的岩层、断层和充满流体的口袋。对于每个模型，团队都模拟了如果真实仪器在地面记录时，地震数据会是什么样子。随后，他们将任务分为两组。第一组使用标准的仅基于地震波形的网络进行训练。第二组是实验组，它们接收了相同的波形，但增加了一个成分：与每条波相关的能量损失（即衰减）图。这张额外的地图是根据声波在特定岩石中传播的物理特性推导出来的。
结果表明，向计算机提供这种额外的物理信息带来了显著的差异。当研究人员在新的、未见过的模型上测试这些网络时，使用衰减数据的版本生成的地下速度图像更加准确。其预测误差比标准版本降低了近 14%。这种改进在整个地图上并不均匀；它在特定区域最为显著，例如含气砂层和水通道，在某些地方，误差减少幅度达到了近 50%。研究人员还将表现最好的网络与一种被称为“全波形反演”（Full-Waveform Inversion）的传统物理方法进行了对比，后者是一种标准但计算量巨大的技术。在这些特定的模拟中，这种新的网络产生了比传统方法更清晰的结果，尽管作者提醒说，这种对比在很大程度上取决于传统方法的设置方式，并不意味着新方法在所有现实场景中都具有普遍的优越性。
然而，研究也揭示了这种优势是有条件的。只有当额外信息是准确时，它才会发挥作用。当研究人员故意在衰减数据中引入误差——模拟能量损失被错误估计的情况时——改进后网络的性能开始下降。当额外数据出现 10% 的误差时，其带来的益处缩减了；而当误差达到 20% 时，该网络的表现甚至比完全忽略额外数据的标准版本还要差。这一发现强调了一个关键事实：新方法依赖于它所获得的物理线索的质量。它不是一个无论输入质量如何都能奏效的“万能药”，而是一个在底层物理数据可靠时能够放大准确性的工具。
研究人员还测试了该系统在地震数据本身存在噪声（模拟现实野外记录中常见的混乱情况）时的表现。即使数据受到噪声污染，使用衰减信息的网络仍然优于标准网络，尽管随着噪声的增加，这种改进的幅度有所缩小。此外，他们多次使用不同的随机起点运行了训练过程，以确保结果具有一致性，而不仅仅是偶然的运气。改进后的性能在所有这些试验中都保持稳定，证实了额外物理信息的益处是真实且可重复的。这种改进的代价是微小的，仅增加了大约 7% 的训练时间，而实际进行预测的过程依然很快，每个模型仅需几秒钟。
最终，这项工作证明了将数据驱动的学习与特定的物理知识相结合可以带来更好的结果。该研究并不声称已经解决了每种可能的的地质环境下地下成像的问题，因为测试是在基于单一地质家族的计算机生成模型上进行的。作者指出，未来的工作需要测试这种方法在不同类型的岩层和真实世界野外数据上的表现，以观察其益处能否超越模拟环境的控制。尽管如此，这些发现提供了一个明确的概念验证：通过利用物理定律（特别是能量在地球中耗散的方式）来引导人工智能，科学家可以构建出更准确的脚下隐藏世界的地图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。