全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数...全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数之间的有界关系,构建基于Fourier近似的低频增强型目标函数。通过对地震数据中低波数成分进行加权增强,提高模型背景速度的恢复质量,从而有效缓解周期跳跃问题。在模型重参数化层面,引入基于正弦激活函数的神经网络对速度模型进行隐式表征,利用其连续的高维映射特性替代传统的离散网格表示,在提高模型表征自由度的同时为反演过程引入由参数化带来的平滑约束。选取Marmousi、Marmousi2和SEG Salt 3个典型模型,分别在低频缺失、线性初始模型、含噪场景和强散射介质等条件下评估方法的有效性。结果表明,在初始模型较差、低频缺失、噪声干扰和强散射等复杂条件下,所提方法均表现出优异的鲁棒性与收敛性,能够有效克服周期跳跃并显著提升反演精度。展开更多
文摘全波形反演作为一种高分辨率地下成像技术,在实际应用中仍面临低频数据缺失、周期跳跃以及噪声干扰等一系列挑战,因此提出一种基于Fourier近似Wasserstein距离的隐式全波形反演方法。在目标函数层面,利用Wasserstein距离与Fourier系数之间的有界关系,构建基于Fourier近似的低频增强型目标函数。通过对地震数据中低波数成分进行加权增强,提高模型背景速度的恢复质量,从而有效缓解周期跳跃问题。在模型重参数化层面,引入基于正弦激活函数的神经网络对速度模型进行隐式表征,利用其连续的高维映射特性替代传统的离散网格表示,在提高模型表征自由度的同时为反演过程引入由参数化带来的平滑约束。选取Marmousi、Marmousi2和SEG Salt 3个典型模型,分别在低频缺失、线性初始模型、含噪场景和强散射介质等条件下评估方法的有效性。结果表明,在初始模型较差、低频缺失、噪声干扰和强散射等复杂条件下,所提方法均表现出优异的鲁棒性与收敛性,能够有效克服周期跳跃并显著提升反演精度。
