[论文解读] Generative Adversarial Networks for Model Order Reduction in Seismic Full-Waveform Inversion

Alan E. Richardson|arXiv (Cornell University)|Jun 3, 2018

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用 17

一句话总结

本文提出使用生成对抗网络（GAN）在地震全波形反演（FWI）中实现模型降阶，通过将反演限制在由低维潜在空间生成的合理速度模型范围内。该方法在合成的2D地震模型上训练GAN，随后将生成器集成到FWI中，以优化潜在向量而非模型参数，从而实现比传统FWI更快、更稳定的反演，且结果更具物理合理性。

ABSTRACT

I train a Generative Adversarial Network to produce realistic seismic wave speed models. I integrate the generator network into seismic Full-Waveform Inversion to reduce the number of model parameters and restrict the inverted models to only those that are plausible. Applying the method to a 2D section of the SEAM model, I demonstrate that it can produce more plausible results than conventional Full-Waveform Inversion.

研究动机与目标

• 降低地震全波形反演（FWI）中的模型参数数量，以减轻过拟合并提高计算效率。
• 利用深度生成建模技术，在反演的地震速度模型中强制实现物理合理性。
• 开发一种可微分的、基于潜在空间的反演框架，将模型限制在GAN能够生成的范围内。
• 证明在SEAM Phase I模型的2D剖面中，GAN正则化的FWI相比传统FWI能产生更真实的结果。

提出的方法

• 在131,072个包含沉积层和盐体的合成2D地震速度模型上训练深度卷积神经网络GAN（DCGAN）架构。
• 生成器网络将100维潜在向量映射为64×64的速度模型，损失函数中包含对速度超出1450–5000 m/s范围的惩罚项。
• 修改FWI以优化潜在向量而非完整模型：通过生成器反向传播梯度以更新潜在向量。
• 通过在50个潜在向量中进行随机搜索，找到初始潜在向量，选择在正向模拟后数据残差最小的向量。
• 该方法采用单次激发、叠加源配置，并对残差进行时间缩放，以补偿能量扩散损失。
• 在初始潜在向量选定后，通过在生成器中反向传播梯度，迭代更新潜在向量以执行FWI。

实验结果

研究问题

• RQ1 能否有效训练GAN，使其从低维潜在空间生成真实的2D地震速度模型？
• RQ2 在FWI中使用GAN作为模型降阶机制，是否能产生比传统FWI更合理的反演结果？
• RQ3 在未使用高质量初始模型的情况下，GAN集成FWI中的潜在向量优化过程是否能收敛到物理合理的模型？
• RQ4 与传统FWI相比，GAN集成FWI的计算成本如何，特别是在训练阶段和反演阶段？
• RQ5 GAN正则化在多大程度上能防止过拟合并提升FWI的鲁棒性？

主要发现

• GAN成功学习到从训练数据分布生成真实地震速度模型的能力，包括变形层和盐体结构。
• 在SEAM Phase I 2D模型上，GAN集成FWI方法的反演结果比传统FWI更具合理性，其视觉和结构保真度更高。
• 该方法通过将反演限制在100维潜在空间（而非完整的4096个模型参数），显著减少了模型参数数量，实现了收敛。
• 与波动传播计算相比，GAN推理和生成器反向传播的计算开销可忽略不计，使该方法在训练后具有良好的可扩展性。
• 对初始潜在向量的随机搜索在64×64模型尺寸下有效，但扩展到更大模型时可能需要更高效的初始化策略。
• 该方法对初始潜在向量的质量敏感，若未进行前期搜索而直接从随机潜在向量开始，收敛会失败。