核心内容摘要
DeerFlow实战：如何用AI助手一键生成高质量播客内容？
摘要: 论文笔记.ARTICLE{MaJi2022Estimate, author {Yong Ma and Xu Ji and Weiguang He and Tong Fei and Weichang Li}, title {Estimate near-surface velocity with reversals using deep learning and full-waveform inversion: A field-data-driven method}, journal {Journal of Applied Geophysics}, year {2022}, volume {206}, pages {104822}, doi {
1
1016/j.jappgeo.
2
104822} }期刊一般但对我们小组的启发意义很大。
应用范围指出近地表反演的意义(300米)。
解决我们以前的误区避免盯着3500米或者更深。
数据生成根据现场工区的先验知识构造数据集用于训练网络因此这个网络就是针对该工区的。
解决我们以前的误区避免要用户提供完整的速度图而是根据先验知识例如大尺度、电磁法的初步勘探结果构造针对性的速度图。
噪声合成指出三大类噪声ground roll, back scattering, various ambient noises解决我们以前的误区用简单的高斯噪声或初至前提取的实际噪声。
传统FWI与DL-FWI的结合先用DL-FWI构造近地表初始速度模型再用FWI构造比较完整包括更深的地层。
注这一点只是参考作者并没有做到。
解决我们以前的误区避免直接构造完整的初始速度模型输出时间域剖面解决我们以前的误区不一定要用标准的深度域速度模型只需要在后处理阶段用数学式子把时间域转成空间域即可。
避免在神经网络内部进行复杂的“时深转换”有望获得更好结果而且更有物理意义。