ترجمه فارسی مقاله انتشار قبلی از کم عمق به عمق با یک شبکه ترانسفورماتور تولیدی با سرعت از پیش آموزش دیده

چکیده

Building subsurface velocity models is essential to our goals in utilizing seismic data for Earth discovery and exploration, as well as monitoring. With the dawn of machine learning, these velocity models (or, more precisely, their distribution) can be stored accurately and efficiently in a generative model. These stored velocity model distributions can be utilized to regularize or quantify uncertainties in inverse problems, like full waveform inversion. However, most generators, like normalizing flows or diffusion models, treat the image (velocity model) uniformly, disregarding spatial dependencies and resolution changes with respect to the observation locations. To address this weakness, we introduce VelocityGPT, a novel implementation that utilizes Transformer decoders trained autoregressively to generate a velocity model from shallow subsurface to deep. Owing to the fact that seismic data are often recorded on the Earth’s surface, a top-down generator can utilize the inverted information in the shallow as guidance (prior) to generating the deep. To facilitate the implementation, we use an additional network to compress the velocity model. We also inject prior information, like well or structure (represented by a migration image) to generate the velocity model. Using synthetic data, we demonstrate the effectiveness of VelocityGPT as a promising approach in generative model applications for seismic velocity model building.

چکیده به فارسی (ترجمه ماشینی)

ساخت مدلهای سرعت زیرسطحی برای اهداف ما در استفاده از داده های لرزه ای برای کشف و اکتشاف زمین و همچنین نظارت ضروری است.با طلوع یادگیری ماشین ، این مدل های سرعت (یا به طور دقیق تر توزیع آنها) را می توان با دقت و کارآمد در یک مدل تولیدی ذخیره کرد.از این توزیع های مدل سرعت ذخیره شده می توان برای تنظیم منظم یا کمیت عدم قطعیت در مشکلات معکوس مانند وارونگی کامل شکل استفاده کرد.با این حال ، بیشتر ژنراتورها ، مانند نرمال کردن جریان یا مدل های انتشار ، به طور یکنواخت تصویر (مدل سرعت) را درمان می کنند ، به وابستگی های مکانی و تغییرات وضوح با توجه به مکان های مشاهده ، بی اعتنایی می کنند.برای پرداختن به این ضعف ، ما VelocityGPT را معرفی می کنیم ، یک اجرای جدید که از رمزگشایی های ترانسفورماتور آموزش داده شده برای تولید یک مدل سرعت از زیرسطحی کم عمق به عمق استفاده می کند.با توجه به این واقعیت که داده های لرزه ای اغلب در سطح زمین ثبت می شوند ، یک ژنراتور از بالا به پایین می تواند از اطلاعات معکوس در کم عمق به عنوان راهنمایی (قبلی) برای تولید عمیق استفاده کند.برای تسهیل اجرای ، ما از یک شبکه اضافی برای فشرده سازی مدل سرعت استفاده می کنیم.ما همچنین برای تولید مدل سرعت ، اطلاعات قبلی را مانند چاه یا ساختار (که توسط یک تصویر مهاجرت نشان داده شده است) تزریق می کنیم.با استفاده از داده های مصنوعی ، ما اثربخشی VelocityGPT را به عنوان یک رویکرد امیدوار کننده در برنامه های مدل تولیدی برای ساخت مدل سرعت لرزه ای نشان می دهیم.