Large-scaleMulti-structuralBenchmarkDatasetsforFullWaveformInversion——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

目录0Abstract—摘要1Introduction—简介2SeismicFWIandForwardModeling—地震FWI和正演模拟3OpenFWIDatasetsandDomainInterests—OpenFWI

：AdaptiveFeedbackConvolutional-Neural-Network-BasedHigh-ResolutionReflection-WaveformInversion全波形反演（FWI

正演与反演之间的区别与联系：无论是地震正演还是反演，都是以有震源为前提。放在熟悉的高中物理背景来理解，震源就像外力，正演是研究受力之后物体运动的轨迹，目的是通过模拟轨迹来预测物体的运动；反演是对已知运动轨迹的物体作受力分析，推导出产生该运动情况的可能原因。回到地球物理勘探环境中，当震源震动后，假设已知速度，公式是偏微分方程，如果要知道由此产生的波在每个时刻下的运动轨迹，即波长快照，就是正演；如果已

InversionNet-网络搭建InversionNet是在2019年提出的一种完全端到端网络算法，在众多的端到端网络中InversionNet网络较为简单，原因是该算法采用了最基础的CNN网络。InversionNet构建了一个编码器-解码器的卷积神经网络，来模拟地震数据和地下速度结构的对应关系。结构分析卷积层网络中，每一个卷积层包含了3个部分：卷积计算、批归一化和激活函数。卷积承担输入信号的

->目录高频]的图像处理过程.这个过程中,低频经验将融入到解码器中.固定蓝框的模型部分编码器,训练图中红框的CNN编码器.输入[观测数据->速度模型]的FWI过程,新的观测数据残差将更新速度模型以获得高频信息

提出背景全波形反演（FullWaveformInversion，FWI）的提出背景可以追溯到地球物理勘探领域对高分辨率地下模型需求的增加。

DL-FWI数据结构进行深度学习训练的第一步是厘清数据集的基本结构。

FCNVMB：UNet架构下的FWI。FCNVNB采用FCN这个网络实现VMB（velocityModelBuild，速度模型构建）操作

摘要:由于深度学习的发展,很多研究生沦为“调包侠”.换言之,他们只需要把已有的深度网络用于自己的数据,就可以获得良好的结果.但这样导致论文的创新点很难写.我的学生将图像处理已有网络用于全波形反演(FWI

InversionNet：深度学习实现的反演面向数据集:OpenFWI中的Vel,Fault,Style类InversionNet构建了一个具有编码器-解码器结构的卷积神经网络，以模拟地震数据与地下速度结构的对应关系。编码器主要是用卷积层构建的,它从输入的地震数据中提取高级特征，并将它们压缩成单一的高维向量。采用的是非方形卷积，主要起到了压缩空间的作用，因为输入的地震波形图像的时间维度(图像的高)

DL-FWI——数据驱动的全波形反演目录1.DL-FWI基础知识1）何为全波形反演2）FWI的数学表示（传统方式）3）FWI的端到端深度学习解释4）DL-FWI的基本发展和分类5）地震数据（SeismicData

InversionNetFCNVMB区别与联系显著特征InversionNetFCNVMB网络结构设计与操作详解InversionNet卷积操作反卷积操作网络结构上采样下采样FCNVMB网络结构下采样上采样优缺点分析InversionNet优点缺点FCNVMB优点缺点显著特征InversionNet最简单的端到端结构：基于编码器-解码器范式，将原始图像直接输入到深度学习模型，不需要手工设计特征，而

1.什么是全波形反演？通过可控震源与接收器得到的反射信号所绘制出的地震数据推测地下真实结构的问题就称之为全波形反演。2.关于反演和正演。正演(Forwardmodeling)指的是根据地下介质的物性参数，运用物理方程和数值计算方法，模拟真实地震波传播过程并得到合成地震记录的过程。可以认为正演是反演的逆过程：即通过地层图模拟地震波形。反演问题一般认为是多解的，即一个地震数据可能对应于多个速度模型。正

代码：importscipy.ioimportmatplotlibimportnumpyasnpimportmatplotlib.pylabaspltmatplotlib.use('TkAgg')frommpl_toolkits.axes_grid1importmake_axes_locatableimportcv2font21={'family':'TimesNewRoman','weight'

摘要:DL-FWI与基于正演模拟的NS-FWI处于不同的赛道,因此核心问题(关键科学问题)完全不同.1.DL-FWI的优缺点优点：主要优点：预测速度非常快；次要优点：不需要初始速度模型。

IFOS3D1介绍1.1全波形反演（FWI）目的方法从2D到3D1.2IFOS3D概念目的方法2理论与实践2.1反演问题梯度法2.2使用SOFI3D进行正向建模2.2.1有限差异建模2.2.2SOFI3D

Misc签到aW9kant6aDFmMHAzXzJfRndpfQ==根据base64编码特征，不难看出这是base64编码在Kali中进行base64解码iodj{zh1f0p3_2_Fwi}发现不是flag

一、深度学习如何保障模型的拟合能力增加模型复杂度：深度学习模型通常具有多层结构，可以通过增加隐藏层的数量、神经元的数量等来提高模型的拟合能力。使用更多的数据：更多的训练数据可以提供更多的样本和变化，有助于模型更好地理解数据的特征和规律，从而提高拟合能力。正则化技术：正则化技术可以帮助防止过拟合（overfitting），例如L1正则化、L2正则化等。它们可以在损失函数中添加额外的项，使得模型在优化

摘要:从地震数据反演速度模型,DL-FWI涉及一些核心问题(也称关键科学问题),它们需要相应的技术来解决.1.关键问题1.1如何保障模型的拟合能力?

MultitaskLearningforSuper-Resolution原题目：MultitaskLearningforSuper-ResolutionofSeismicVelocityModel全波形反演（FWI

下周学习展望1.java日撸300行，主要完成cnn神经网络部分（开学前写完所有90天内容）2.学习python（预定20天左右学会大部分操作）四.总结存在的问题：1.python还不会使用，对于后面的fwi

CNN之后的模型结果：2000epochRmse:0.0584之前SMOOTH的结果放一张对比图：

学习深度学习知识2.1反向传播内容（BP神经网络）2.2用PyTorch实现线性回归下周计划：1BP神经网络java代码（Day71-76）2继续学习深度学习知识3学习不同优化器的原理及区别4再次学习FWI-InversionNet

目录一.上周回顾二.本周学习过程三.下周学习展望四.总结一.上周回顾1.编写java日撸300行二.本周学习过程1.正演培训过程2.java日撸300行三.下周学习展望1.fwi地震反演的培训2.java

本次周报主要用于巩固和总结在DL-FWI培训中学到的知识。基础知识全波形反演（FWI：Fullwaveforminversion）：通过检测到的地震数据直接推测地下结构。

目录1、数据来源。1）SEG系列。2）OpenFWI系列。2、数据量，尺寸。1）SEG包含两个数据集：SEGSaltData和SimulateData。2）OpenFWI包含12个数据集：3、地震数据对应的观测系统。1）SEG系列2）OpenFWI系列4、显示数据的源码5、正演的原理及源码6、我的疑问：地震数据是非常宝贵的资源，很多真实数据并不是公开的，目前在网上流传的都是合成数据。我将从以下角度

链接：https://pan.baidu.com/s/1FwI4L2J9fisJvy9C2hgXpQ密码：dhvt

本章论述经典的FWI,它基于正演方法.本贴仅供内部培训.4.1FWI问题图4.1FWI的输入与输出[1].图4.2FWI的数学式子.正演问题是建立从速度模型到地震数据的映射.一般认为是单解的,即一个速度模型只能生成一个地震数据

0.前言今日在github上看到了一个讲解FWI基础知识的项目，非常感兴趣，打算学习下。根据作者的说明文档，需要安装julia程序语言和jupyternotebook,作者给的教程也很简单。

最近在做时频混合域的全波形反演（FWI），用CUDA加速，要做复数运算，所以研究了一下CUDA中复数运算等。简单说一下CUDA中复数的基本应用。

MIGfMA0GCSqGSIb3DQEBAQUAA4GNADCBiQKBgQC8HMr2CBpoZPm3t9tCVlrKtTmI4jNJc7/HhxjIEiDjC8czP4PV+44LjXvLYcSV0fwi6nE4LH2c5PBPEnPfqp0g8TZeX

BKnights构造  CPerfectTeam二分  DMakeTheFenceGreatAgain背包dpLuogu3324星际战争二分+网络流Luogu3809后缀排序后缀数组模板题CF587Div3FWi-FiDp

MRThttps://blog.csdn.net/gisboygogogo/article/details/75784080http://blog.sina.com.cn/s/blog_51d9bb8c0100fwi8

目标：利用岩土地震数据的弹性FWI改进地下特征，以用于岩土、水文地质应用。开发用于浅层地震数据反演的新技术，将致力于提高FWI代码IFOS2D的效率和可靠性。

目录1.全波形反演2.神经网络全波形反演可以说现在被地球物理界的小伙伴做烂了，一提到全波形反演大家先到的就是高精度...各种优点，可是他却有着与人工智能的同样的缺陷，那就是计算量的限制。但是在当下，随着计算技术的不但进步，虽然有人说摩尔定律已死，但是现在各种超级计算机横空出世，我们国家的曙光、天河等位居世界前列，相信，为了得到高精度的结果，这点计算花费是值得的，今天就来简单对地球物理的全波形反演（

我本人是研究FWI的，也在Linux下面用SU做编程来进行地震勘探的科研。分享一下在Linux下面安装SU的一点经验。

本人研究FWI（全波形反演），也是用CUDA+SU的方式编程C语言的程序。那么在编写MakeFile文件的时候，如何将CUDA的库文件与SU的库文件进行结合呢？

表格：三线表：http://blog.sina.com.cn/s/blog_5e16f1770100fwi5.html设置字体大小：https://zhidao.baidu.com/question/1371261094042040899

url=QzswS5_0fWI50XPEE5CBQC3gApPt4uvAsWD3k7o72Yjb-d4bUgS2sGwgFgxWd7OFijhN-ZFRh-arLFrJTVxuGKZooKeeper是一个分布式的