ترجمه فارسی مقاله Inversion-Deeponet: یک شبکه مبتنی بر Deeponet رمان با رمزگذار-دکوراسیون برای وارونگی کامل شکل

چکیده

Full waveform inversion (FWI) plays a crucial role in the field of geophysics. There has been lots of research about applying deep learning (DL) methods to FWI. The success of DL-FWI relies significantly on the quantity and diversity of the datasets. Nevertheless, existing FWI datasets, like OpenFWI, where sources have fixed locations or identical frequencies, provide limited information and do not represent the complex real-world scene. For instance, low frequencies help in resolving larger-scale structures. High frequencies allow for a more detailed subsurface features. %A single source frequency is insufficient to describe subsurface structural properties. We consider that simultaneously using sources with different frequencies, instead of performing inversion using low frequencies data and then gradually introducing higher frequencies data, has rationale and potential advantages. Hence, we develop three enhanced datasets based on OpenFWI where each source have varying locations, frequencies or both. Moreover, we propose a novel deep operator network (DeepONet) architecture Inversion-DeepONet for FWI. We utilize convolutional neural network (CNN) to extract the features from seismic data in branch net. Source parameters, such as locations and frequencies, are fed to trunk net. Then another CNN is employed as the decoder of DeepONet to reconstruct the velocity models more effectively. Through experiments, we confirm the superior performance on accuracy and generalization ability of our network, compared with existing data-driven FWI methods.

چکیده به فارسی (ترجمه ماشینی)

وارونگی موج کامل (FWI) نقش مهمی در زمینه ژئوفیزیک دارد.تحقیقات زیادی در مورد استفاده از روشهای یادگیری عمیق (DL) در FWI انجام شده است.موفقیت DL-FWI به کمیت و تنوع مجموعه داده ها بسیار متکی است.با این وجود ، مجموعه داده های FWI موجود ، مانند OpenFWI ، که در آن منابع دارای مکان های ثابت یا فرکانس های یکسان هستند ، اطلاعات محدودی را ارائه می دهند و صحنه پیچیده دنیای واقعی را نشان نمی دهند.به عنوان مثال ، فرکانس های پایین در حل ساختارهای در مقیاس بزرگتر کمک می کند.فرکانس های بالا امکان ویژگی های زیرسطحی دقیق تری را فراهم می کند.٪ یک فرکانس منبع واحد برای توصیف خصوصیات ساختاری زیرسطحی کافی نیست.ما در نظر می گیریم که به طور همزمان با استفاده از منابع با فرکانس های مختلف ، به جای انجام وارونگی با استفاده از داده های فرکانس پایین و سپس معرفی به تدریج داده های فرکانس های بالاتر ، منطقی و مزایای بالقوه دارد.از این رو ، ما سه مجموعه داده پیشرفته را بر اساس OpenFWI توسعه می دهیم که در آن هر منبع دارای مکان های مختلف ، فرکانس ها یا هر دو است.علاوه بر این ، ما یک شبکه جدید اپراتور عمیق (DeepOnet) معماری وارونگی-عمیق برای FWI پیشنهاد می کنیم.ما از شبکه عصبی Convolutional (CNN) برای استخراج ویژگی ها از داده های لرزه ای در شبکه شاخه استفاده می کنیم.پارامترهای منبع ، مانند مکان ها و فرکانس ها ، به تنه خالص تغذیه می شوند.سپس CNN دیگری به عنوان رمزگشایی DeepOnet برای بازسازی مدلهای سرعت به طور مؤثر استفاده می شود.از طریق آزمایشات ، ما عملکرد برتر را در مورد صحت و توانایی تعمیم شبکه خود ، در مقایسه با روش های FWI موجود در داده های موجود ، تأیید می کنیم.