Инверсия дисперсионного изображения поверхностной волны на основе глубокого обучения
А.В. Яблоков* (1, 2), М.В. Моисеев (1) (1 - «Новосибирский государственный университет», 2 - «Институт нефтегазовой геологии и геофизики им. А. А. Трофимука СО РАН»)
В исследовании для инверсии дисперсионного изображения предлагается модель глубокого обучения на основе архитектуры EfficientNet-B6, состоящей из комбинаций блоков сверточной нейронной сети. Предлагается гибкий подход, определяющий перепараметризованную (гладкую) скоростную модель без ограничений на количество и толщину слоев. Для генерации обучающего набора данных используется метод модального суммирования, в котором на основе дисперсионных кривых и собственных функций поверхностной волны вычисляются функции Грина для заданного типа источника. Сейсмограмма поверхностной волны рассчитывается сверткой функции Грина с сигналом в источнике. В рассмотренном эксперименте обученная нейронная сеть используется для инверсии синтетических данных, рассчитанных численным моделированием полного волнового поля методом конечных разностей для двумерной модели среды, содержащей низкоскоростную аномалию. Такое представление скоростной модели может описывать ореолы оттаивания и оплывания грунта, возникающие, например, вокруг нефтепровода в зоне многолетнемерзлых грунтов. Качественный анализ восстановленной скоростной модели показал, что обученная нейронная сеть может эффективно применяться для инверсии дисперсионных изображений поверхностной волны.