2025 新生 DL-FWI 培训

摘要: 本贴给出 8 次讨论式培训的提纲, 每次培训 1 小时.

1. Basic concepts

主动学习: 提问, 理解, 继续追问. 通过不断迭代, 逐步提升问题的质量, 加深理解.

  • 1.1 Seismic exploration

    问 DeepSeek (下同): 为什么进行地震勘探?

    问: 地震勘探一般的深度是多少?

  • 1.2 Sesmic data processing -- regular process

    问: 如何进行地震数据处理?

    反过来思考: "什么是地震数据处理" 这个问题不太合适, 因为地震数据采集, 数据处理, 数据解释是三个人为定义的步骤.

    地震数据处理有哪几类方法?

    期待的答案是: 常规, 基于正演模拟, 深度学习三大类, 但 DS 给的分类方式不同.

  • 1.3 Full waveform inversion

    问: 基于正演模拟的全波形反演是怎么做的? 有哪些具体的优势与劣势?

  • 1.4 Deep learning-based full waveform inversion

    问: 深度全波形反演是怎么做的? 有哪些具体的优势与劣势?

2. Network structure

  • 2.1 InversionNet
    Encoder-decorder structure
    为什么要进行编码与解码?
    机器与人类对事物的理解是不一样的. 我们需要知道数据的本质, 需要对数据进行压缩、表征.
    例: 两个实数表示一个二维坐标点. 能不能用一个实数表示? 一般是不行的. 特殊情况呢, 例如在一条线上的坐标点.
    方法 1: 只记录横坐标即可.
    方法 2: 记录该点到原点的距离. 原始基向量为 ( 1 , 0 ) (1, 0) (1,0) 和 (0, 1). 形成一组新的基向量: ( 2 / 2 , 2 / 2 ) (\sqrt{2}/2, \sqrt{2}/2) (2 /2,2 /2), ( 2 / 2 , − 2 / 2 ) (\sqrt{2}/2, - \sqrt{2}/2) (2 /2,−2 /2). 点 ( 1 , 1 ) (1, 1) (1,1)在新的坐标系下变成 ( 2 , 0 ) (\sqrt{2}, 0) (2 ,0).
    基向量是怎么来的? 可以观察、学习获得.

神经网络试图原始地震数据, 获得它的内部表示 (可以看成一类压缩), 解码成速度模型. 卷积核就是学习出来的, 类似于基向量的东西.

学习 PCA, 理解降维.

  • 2.2 FCNVMB
    UNet
  • 2.3 DDNet
    Multi-task

3. Network components

  • 3.1 Deformable convolution
  • 3.2 Spatial attention module

4. Loss function

  • 4.1 Pixel: L1 and L2
  • 4.2 Boundary

5. Training

  • 5.1 Curriculum learning
  • 5.2 Transfer learning
  • 5.3 Domain adaptation

6. Observation system

7. Problem statement

  • 7.1 1D CMP based inversion
  • 7.2 2D velocity inversion

8. Chellenges

  • 8.1 Data distribution
    Transfer learning
  • 8.2 Data size
    Too big
  • 8.3 Dataset size
    Few field data
  • 8.4 Interpretability
    PINN: Physics informed neural network
相关推荐
kovlistudio8 分钟前
机器学习第二十六讲:官方示例 → 跟着菜谱学做经典菜肴
人工智能·机器学习
从零开始学习人工智能18 分钟前
车道线检测:自动驾驶的“眼睛”
人工智能·机器学习·自动驾驶
J_Xiong011720 分钟前
【VLNs篇】05:TGS-在无地图室外环境中使用视觉语言模型进行轨迹生成和选择
人工智能·机器学习·语言模型
江畔柳前堤1 小时前
PyQt学习系列05-图形渲染与OpenGL集成
开发语言·javascript·人工智能·python·学习·ecmascript·pyqt
点云SLAM1 小时前
PyTorch中cdist和sum函数使用详解
数据结构·人工智能·pytorch·python·点云数据处理·3d深度学习·张量计算
Christo31 小时前
SIAM-2007《k-means++: The Advantages of Careful Seeding》
大数据·人工智能·算法·机器学习·支持向量机·kmeans
IT技术猿猴2 小时前
一键生成专业流程图:Draw.io与AI结合的高效绘图指南
人工智能·流程图·draw.io
缘友一世2 小时前
PyTorch中TensorBoardX模块与torch.utils.tensorboard模块的对比分析
人工智能·pytorch·python
缘友一世2 小时前
TensorBoard安装与基本操作指南(PyTorch)
人工智能·pytorch·python
西柚小萌新2 小时前
【深度学习:理论篇】--Pytorch之nn.Module详解
人工智能·pytorch·深度学习