一. InversionNet 最简单的端到端DL_FWI
1. 网络结构:
构建了一个具有编码器-解码器结构的卷积神经网络,根据地震波动数据模拟地下速度结构。编码器主要由卷积层构建,它从输入地震数据中提取高级特征并将其压缩为单个高维向量。解码器然后通过一组反卷积层将这些特征转换为速度模型。
2. 编码器与解码器:
编码器包括图1的顶部流水线中由“conv”表示的一组卷积块。1.每个卷积块由卷积层,批归一化(BN)和ReLU组成。输入数据的大小为(32,1000,6)从这个数据看来时间维度和空间维度比例太大,这里采用的是非方形卷积。起到压缩空间的作用,我们这里接下来的任务是对于时间层面的降维。
注意:这里补充说明原文章用的数据大小是(32,1000,6),但是张星移师兄培训的数据集大小是(70,1000,6),以后者为准。
时间域第一次降维:
将大小(70,1000,6)的图片通过一批32卷积降维到(70,500,32)
时间域第二次降维:
将大小(70,500,32)的图片通过卷积降维到(70,250,64)
将大小(70,250,64)的图片通过卷积降维到(70,125,64)
时间域第三次降维:
将大小(70,125,64)的图片通过卷积降维到(70,63,128)
进入两个方向同时降维,将大小(70,63,128)的图片通过卷积降维到(35,32,128)
第四次降维
两个方向同时降维,将大小(35,32,128)通过卷积降维到(18,16,256)
两个方向同时降维,将大小(18,16,256)通过卷积降维到(8,8,256)
最后将图片降维到1×1的512维度的向量;再经过解码(反卷积)转化为我们需要的图像,解码的过程如图2所示。
结果评价指标:
InversionNet的末端采用的标准损失函数是规范的损失函数:(是是真实速度模型, 是预测的速度模型,是速度模型中空间像素的数量.)
作者采用的四个评价指标:
优点: