OpenFWI 论文研读

论文title：

OPENFWI: Large-scale Multi-structural Benchmark Datasets for Full Waveform Inversion

——OPENFWI：基于全波形反演的大规模多结构基准数据集

摘要Abstract：

        全波形反演（FWI）在地球物理中被广泛用于从地震数据中重建高分辨率速度图。OPENFWI由12个数据集（共2.1TB）组成，这些数据集是从多个来源合成的。它涵盖了地球物理的不同领域（界面、断层、CO2储层等），涵盖了不同的地质-地下结构（平面、曲线等），并包含了不同数量的数据样本（2K-67K）。它还包括一个三维FWI的数据集。

        此外，我们使用OPENFWI对四种深度学习方法进行基准测试，涵盖监督和非监督学习机制。除了基准之外，我们还实施了额外的实验，包括物理驱动方法、复杂性分析、泛化研究、不确定性量化等，以加深我们对数据集和方法的理解。所有数据集和相关信息（包括代码）均可通过网站访问，网址为https://openfwi-lanl.github.io/

1 Introduction简介

        了解地下速度结构对于无数地下应用至关重要，如碳封存、储层识别、地下能源勘探、地震预警等。它们可以通过全波形反演（FWI）从地震数据中重建，全波形反演由偏微分方程（PDE）控制，可以公式化为非凸优化问题。FWI在物理驱动方法的范式中进行了深入研究，这些方法的负面复杂性包括高计算消耗、周期跳过和不适定性问题。

图1：OPENFWI的图库，其中包含OPENFWI中每个数据集的速度图的一个示例。 

        随着深度学习技术的进步，研究人员一直在积极探索复杂FWI问题的数据驱动解决方案。最近，数据驱动的方法见证了对FWI的探索，特别是在网络架构上，如多层感知器（MLP）、基于编码器-解码器的卷积神经网络（CNNs、递归网络、生成对抗性网络（GANs）等。将数据驱动的FWI从2D扩展到3D。

        公共数据集在开发尖端机器学习算法方面发挥着重要作用。然而FWI社区目前缺乏大型公共数据集，很难在不同的方法之间进行公平的比较。

表1：数据驱动FWI的现有数据集。最上面一行对应于我们的OPENFWI数据集。符号✔和×分别指示数据集具有或不具有相应的特征。

[17] Fangshu Yang and Jianwei Ma. Deep-learning inversion: A next-generation seismic velocity
model building method. Geophysics, 84(4):R583–R599, 2019.

[18] Mauricio Araya-Polo, Joseph Jennings, Amir Adler, and Taylor Dahlke. Deep-learning tomog-
raphy. The Leading Edge, 37(1):58–66, 2018.

[34] Wenlong Wang and Jianwei Ma. Velocity model building in a crosswell acquisition geometry
with image-trained artificial neural networks. Geophysics, 85(2):U31–U46, 2020.
[35] Bin Liu, Senlin Yang, Yuxiao Ren, Xinji Xu, Peng Jiang, and Yangkang Chen. Deep-learning
seismic full-waveform inversion for realistic structural modelsdl seismic fwi. Geophysics,
86(1):R31–R44, 2021.
[36] Yuxiao Ren, Lichao Nie, Senlin Yang, Peng Jiang, and Yangkang Chen. Building complex
seismic velocity models for deep learning inversion. IEEE Access, 9:63767–63778, 2021.
[37] Zhicheng Geng, Zeyu Zhao, Yunzhi Shi, Xinming Wu, Sergey Fomel, and Mrinal Sen. Deep
learning for velocity model building with common-image gather volumes. Geophysical Journal
International, 228(2):1054–1070, 2022.

        OPENFWI，这是基于我们的知识的第一个大规模开放访问多结构地震FWI数据集。它包含12个数据集，每个数据集将地震数据与不同地下结构的速度图配对。与以前的数据集相比，OPENFWI数据集是开源的，涵盖2D和3D场景，在多个尺度上捕捉更多的地质结构。OPENFWI数据集具有以下三个有利特征：

• 多尺度：就数据样本数量和文件大小而言，OPENFWI涵盖了多尺度的数据集。最小的2D数据集包含15K个数据样本，而最大的2D数据集中包含60K个样本。其中四个2D数据集每个占用43GB的空间，这支持在没有大量计算能力的情况下进行训练。3D数据集占用1.4TB的空间，因此通常在分布式环境中进行训练，进一步加快了基于深度学习的FWI的可扩展算法的开发。
• 多领域：OPENFWI支持FWI的2D和3D场景研究。数据集包括代表真实地下应用的速度图，如延时成像、地下碳汇、地质断层探测等。
• 多地下复杂性：OPENFWI包括从简单到复杂的各种地下结构，如界面、断层、二氧化碳储存和自然图像中的自然结构。复杂性主要通过香农熵（信息熵）来衡量。它支持研究人员从适度的数据集开始，并针对更具挑战性的数据集改进他们的方法。

7 Conclusion

        在本文中，介绍了OPENFWI，这是一个开源平台，包含12个数据集和四种深度学习方法的基准测试。发布的数据集具有不同的规模，涵盖了地球物理学的不同领域，并模拟了地下结构的多种场景。目前的基准在一些数据集上显示出了有希望的结果，而其他数据集可能需要进一步改进。

        此外，我们还包括复杂性分析、泛化研究和不确定性量化，以证明我们的数据集和基准的良好特性。最后，我们讨论了可以用这些数据集研究的现有挑战，并设想了随着OPENFWI的发展，未来的进展。