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