E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
DL-FWI
DL-FWI
培训-理论篇
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
看海天一色听风起雨落
·
2023-11-08 13:23
学习
DL-FWI
内训Day3
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
palemoons
·
2023-11-08 13:50
DL-FWI
人工智能
机器学习
算法
2023 7.31~8.6 周报 (多尺度的
DL-FWI
+ 自然图像的风格迁移速度模型)
->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.最后,观察到网络的细节架构.两个编码器的首次相汇是在压缩为1×11\times11×1的图像之后的通道融合,这次融合就图中来看不像是求和而更像是通道的简单连接(1024+1024).而且,似
LTA_ALBlack
·
2023-11-08 13:50
全波形反演
(FWI)
周报
多标签
全波形反演
多尺度
FWI
UNet
风格迁移
DL-FWI
内训Day1
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。传统的地球物理勘探方法,如层析成像和偏移成像,通常基于射线近似理论,仅考虑了地震波的传播路径和走时信息,而忽略了波形的振幅和相位等更详细的特征。然而,随着勘探目标日益复杂化,例如复杂的地下构造、介质非均匀性以及岩石的各向异性等,传统方法的分辨率和精度受到限制。为
palemoons
·
2023-11-08 13:19
DL-FWI
算法
人工智能
机器学习
DL-FWI
内训Day2
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。
palemoons
·
2023-11-08 13:19
DL-FWI
算法
人工智能
机器学习
DL-FWI
基础入门培训视频学习4——FCNVMB
Deep-learninginversion:anextgenerationseismicvelocity-modelbuildingmethod(2019)面向数据集:SEG盐数据及其模拟。该论文第一次提出SEG盐数据。严格的端到端网络结构,是UNet网络结构。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
shengMio
·
2023-11-08 13:18
视频学习总结
学习
DL-FWI
基础入门培训视频学习3——InversionNet
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)
shengMio
·
2023-11-08 13:47
视频学习总结
学习
DL-FWI
基础入门培训视频学习1、2
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
shengMio
·
2023-11-08 13:47
视频学习总结
学习
DL-FWI
网络结构的区别与联系
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
outragee
·
2023-11-08 13:14
cnn
深度学习
DL-FWI
:简述(总结反演培训第一次课内容)
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
Bobbyeyy
·
2023-11-08 13:41
python
DL-FWI
:数据(第二次培训作业)
代码:importscipy.ioimportmatplotlibimportnumpyasnpimportmatplotlib.pylabaspltmatplotlib.use('TkAgg')frommpl_toolkits.axes_grid1importmake_axes_locatableimportcv2font21={'family':'TimesNewRoman','weight'
Bobbyeyy
·
2023-11-08 13:41
python
DL-FWI
核心问题的思考 (未完待续)
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。
闵帆
·
2023-11-08 13:39
地震反演
人工智能
DL-FWI
问题与技术
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
蓝子娃娃
·
2023-10-02 15:11
地球物理
全波形反演
DL-FWI
问题与技术的对照 (未完,等建议)
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?
闵帆
·
2023-09-29 17:46
地震反演
人工智能
机器学习
深度学习
20230710~20230714周报
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。
颜妮儿
·
2023-07-16 00:03
周报
上一页
1
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他