2023 12.23 ~ 2024 1.5 周报

——说明：因旅游休息 生病 中间停了一周周报总结

一、本周计划

        继续深入研读论文Deep learning unflooding for robust subsalt waveform inversion，主要理解盐下成像以及三个实验过程。 看代码网络结构部分以及训练部分     

二、完成情况

1. 文章目的：

        盐丘速度建模及成像是盐下油气藏勘探有关技术瓶颈问题。本篇论文主要是解决盐下成像问题。这篇论文提供了一种在低频缺失和偏移有限的挑战性情况下 反演盐下速度的方法。

2. 论文使用的方法： 

        传统的全波形反演（FWI）以L2范数作为目标函数，直接匹配观测数据（）与从模型m获得的合成地震数据（）的差的平方（L2范数）。目标函数如下：

        （1）

        正则化方法——全变分（Total variation），也称为全变差，是图象复原中常用的一个名词。全变分TV可以保留地层的尖锐边缘。（TV)正则化的写法为：

        （2） 

        在盐反演中，FWI通常与TV正则化相结合，以保持盐边界的尖锐边缘。将FWI（方程1）和TV（方程2）应用于淹没模型得出：

        （3）

        这里是平衡两个范数贡献的系数。最小化目标函数会揭示BoS的一些特征，例如BoS深度处的速度急剧下降。这些特征（速度下降）可以使用神经网络自动捕捉，以便解除BoS处的盐层。 如果以回归方式训练网络，则网络将估计盐下速度。 

 图1：所提出方法的工作流程。从淹没模型开始，我们使用FWI和TV进行处理。然后，网络将解除模型的淹没状态，并预估盐下速度的近似值。最后，实现了另一个FWI对模型进行微调。

3. 神经网络 

        网络的输入由两个通道组成：淹没模型的FWI结果（即方程3的解： 将FWI和TV应用于淹没模型得出）和 用于反演的初始模型。通过使用初始模型的信息，将初始模型包含在输入中会影响不含盐区域的预测（？）。网络的输出将是未淹没模型。未淹没过程可以表示为： 

        （4）

其中代表了淹没模型的FWI反演，表示网络。

对于训练，我们使用真实模型作为我们的目标。通过最小化均方误差（MSE）损失来训练网络：  

        （5）

其中N表示批量大小。与通常用于分类的交叉熵损失不同，他只能捕获盐边界，而MSE还将近似于盐下速度。  

4. 训练数据集

        创建了8000个随机分层模型，其中至少有五层。为了模拟海洋设置，模型从1.5km/s的水流速度开始，通常随着深度的增加而增加。我们随机平滑了几个剖面，以增加训练样本的多样性。然后，将盐层以4.5km/s的速度随机添加到一些样本中。盐的厚度和位置也是随机确定的。留下一些不含盐体的样本，让网络学会区分含盐和不含盐的剖面。

         为了将FWI与TV一起应用于生成的模型，我们使用8Hz主频的Ricker子波为每个模型合成一次震波源。由于我们假设岩盐后模型是已知的，因此我们使用真实模型作为我们FWI的初始模型，除了盐层以下，在那里我们淹没盐层速度。然后将反演结果用于训练网络。

5. 看文章代码

完成网络以及训练部分的代码

6. 解决论文题目问题，以本篇论文为例

——解决论文题目问题文章出处：一次性解决 DL-FWI 论文题目问题-CSDN博客

        3.1 反演结果

        反演结果可以按以下几种方式划分：

                3.1.1 数据的维度：1D

                反演的结果是 1D，容易有较好的普适性。相应的输入，一般是共中心点道集。

                3.1.2 模型的格式:    层速度

        3.2  地质特点

                3.2.1 地层深度：深层

                3.2.2 大陆与海洋：海洋

                3.2.3 构造特点：盐体数据

        3.3 网络搭建方式

                3.3.1 网络的基本操作：

                CNN：主要是卷积操作, 把数据看成是图片。

                3.3.2 网络框架：

                Unet：比 Encoder-decoder 更高级, 也是主流。

                3.3.3 可选模块：

        3.4 训练数据生成方式

        声波数据or弹性波数据or带边界条件的弹性波数据

        3.5 数据训练的方式

        迁移学习or多任务学习or域自适应学习or持续学习

毕设题目初版：基于unet的二维盐体数据反演方法设计与实现

三、存在的主要问题

1. ToS处的散射能量较高，而BoS处缺乏光照，因此淹没步骤比未淹没步骤要容易得多（？why）

2. 网络的输入由两个通道组成：淹没模型的FWI结果（即方程3的解： 将FWI和TV应用于淹没模型得出）和 用于反演的初始模型。通过使用初始模型的信息，将初始模型包含在输入中会影响不含盐区域的预测（？）。

四、下一步计划

思考毕业论文的题目以及用到的思想或者方法，多看相关资料