[论文解读] Fast approximate simulation of seismic waves with deep learning

Benjamin Moseley, Andrew Markham+1 more|arXiv (Cornell University)|Jul 18, 2018

Seismic Imaging and Inversion Techniques参考文献 22被引用 20

一句话总结

本文提出一种基于WaveNet架构的深度学习方法，通过单次前向推理直接预测多个检波器处的地震波响应，相比传统有限差分模拟实现10倍加速（0.1秒 vs. 1秒）。该方法通过学习从一维速度模型到记录地震记录的映射关系，绕过迭代波场模拟，实现快速近似地震模拟，并具备实时应用潜力。

ABSTRACT

We simulate the response of acoustic seismic waves in horizontally layered media using a deep neural network. In contrast to traditional finite-difference modelling techniques our network is able to directly approximate the recorded seismic response at multiple receiver locations in a single inference step, without needing to iteratively model the seismic wavefield through time. This results in an order of magnitude reduction in simulation time from the order of 1 s for FD modelling to the order of 0.1 s using our approach. Such a speed improvement could lead to real-time seismic simulation applications and benefit seismic inversion algorithms based on forward modelling, such as full waveform inversion. Our proof of concept deep neural network is trained using 50,000 synthetic examples of seismic waves propagating through different 2D horizontally layered velocity models. We discuss how our approach could be extended to arbitrary velocity models. Our deep neural network design is inspired by the WaveNet architecture used for speech synthesis. We also investigate using deep neural networks for simulating the full seismic wavefield and for carrying out seismic inversion directly.

研究动机与目标

• 开发一种快速、近似的层状介质中地震波响应模拟方法，相比传统有限差分（FD）方法显著缩短模拟时间。
• 探索利用深度学习替代迭代波场模拟，通过单次前向推理直接从速度模型预测检波器记录。
• 研究利用深度神经网络实现正演地震模拟与直接地震反演的可行性，绕过迭代优化过程。
• 评估深度学习在加速全波形反演（FWI）及其他基于反演的地球物理应用中的潜力。
• 评估神经网络是否能在仅使用合成训练数据的情况下，隐式学习地震波物理规律而无需显式物理方程。

提出的方法

• 采用受WaveNet启发的深度神经网络，包含10层空洞因果卷积层及一个最终全连接层，用于预测11个检波器位置的压力响应。
• 输入为将一维速度剖面转换为法入射反射率序列后的结果，直接送入网络以预测地震记录。
• 在50,000个合成二维水平层状声学模型上进行训练，使用有限差分模拟结果作为真实标签。
• 为反演建模采用独立的WaveNet架构，从单个零偏移距检波器记录中预测反射率序列，随后进行时间-深度转换并积分以恢复速度模型。
• 反演网络的损失函数为预测与真实反射率序列之间的均方误差。
• 正演模型具备完全可微性，未来可集成于基于梯度的反演算法（如全波形反演）中。

实验结果

研究问题

• RQ1 深度神经网络能否在不模拟完整波场的情况下，直接预测多个检波器处的地震响应？
• RQ2 基于深度学习的模拟相比传统有限差分模拟能快多少？
• RQ3 仅依靠合成数据，基于WaveNet的架构能否有效学习地震波传播的物理规律？
• RQ4 是否可行利用深度学习直接从检波器数据预测反射率或速度模型，实现地震直接反演？
• RQ5 网络在未见的速度模型上是否具备泛化能力，并在正演与反演任务中保持准确性？

主要发现

• 深度学习模型将模拟时间缩短10倍，将单次推理时间从约1秒（FD）降低至约0.1秒。
• 基于WaveNet的正演模型成功以高保真度预测多个检波器处的地震响应，与有限差分模拟的真实结果高度一致。
• 反演WaveNet模型在未见测试样本中准确恢复了层数与反射率脉冲的符号，证明了其有效的反向映射能力。
• 网络在未显式引入物理方程的情况下，仅依赖合成训练数据即隐式学习了底层物理规律。
• 反演模型生成的速度预测与真实模型一致，尽管由于反射率积分过程引入了微小深度误差。
• 该方法在实时地震模拟及加速迭代反演方法（如全波形反演）方面展现出强大潜力。