基于深度神经网络EikoNet走时计算方法及应用

地震波走时计算在层析成像、偏移成像和微震定位等地震学领域中都有重要作用. 使用有限差分方法求解程函方程是地震波走时计算的重要方法之一. 常规程函方程求解方法需要计算每一个震源激发的走时场，随着网格数量的增加会消耗大量的时间和存储空间. 本文介绍了基于深度神经网络的EikoNet走时计算方法，该方法构建了一个包含速度和走时场偏差之间关系的深度神经网络，通过在三维空间中采样生成训练样本，以给定的速度模型为标签实现训练过程中对网络的优化，在计算走时过程中，能传递关于地震波场和速度结构的信息，而且高度适用于GPU，可以无网格地快速确定三维域中任意两点之间的走时，大大提高了计算效率并降低了内存消耗. E...

Full description

Saved in:
Bibliographic Details
Published in地球与行星物理论评 Vol. 54; no. 1; p. 81
Main Authors 姚时, 侯爵, 黄跃鹏, 徐涛, 白志明, 高正辉, Shi, Yao, Hou Jue, Huang Yuepeng, Xu, Tao, Bai Zhiming, Gao Zhenghui
Format Journal Article
LanguageChinese
Published Beijing Editorial Office of Reviews of Geophysics and Planetary Physics 01.01.2023
Subjects
Finite difference method
Neural networks
Seismic waves
Seismology
Travel time
Online AccessGet full text
ISSN2097-1893
DOI10.19975/j.dqyxx.2021-049

Cover

More Information
Summary:地震波走时计算在层析成像、偏移成像和微震定位等地震学领域中都有重要作用. 使用有限差分方法求解程函方程是地震波走时计算的重要方法之一. 常规程函方程求解方法需要计算每一个震源激发的走时场，随着网格数量的增加会消耗大量的时间和存储空间. 本文介绍了基于深度神经网络的EikoNet走时计算方法，该方法构建了一个包含速度和走时场偏差之间关系的深度神经网络，通过在三维空间中采样生成训练样本，以给定的速度模型为标签实现训练过程中对网络的优化，在计算走时过程中，能传递关于地震波场和速度结构的信息，而且高度适用于GPU，可以无网格地快速确定三维域中任意两点之间的走时，大大提高了计算效率并降低了内存消耗. EikoNet方法和常规快速推进法（FMM）在几个速度模型上的数值实验表明EikoNet方法在保持高精度的同时还具有更高的效率.
Bibliography:ObjectType-Article-1
SourceType-Scholarly Journals-1
ObjectType-Feature-2
content type line 14
ISSN:2097-1893
DOI:10.19975/j.dqyxx.2021-049