وارون سازی شکل موج کامل با استفاده از یک شبکه عصبی بازگشتی مبتنی بر فیزیک مسئله

وارون سازی شکل موج کامل روشی برای تخمین خواص الاستیک محیط است که همه اطلاعات موجود در داده های لرزه ای، شامل اطلاعات دامنه، فاز و فرکانس، را برای تخمین مدل هایی با قدرت تفکیک بالا به کار می گیرد. این روش در تصویرسازی صحیح لرزه ای اهمیت ویژه ای دارد، اما با چالش هایی چون نیاز به زمان و توان محاسباتی بالا و وابستگی به مدل اولیه مواجه است. پژوهشگران متعددی سعی در استفاده از روش های یادگیری عمیق برای غلبه بر چالش های مسئله وارون سازی شکل موج کامل داشته اند. این مقاله نیز یک بلوک یادگیری عمیق بازگشتی مبتنی بر معادله موج ارائه می دهد که سرعت محیط با ماتریس وزنی یکی از لایه های آن، مرتبط است. در فرایندی تکراری، از این بلوک برای پیش بینی داده لرزه ای استفاده می شود و سپس با مقایسه با داده مشاهده ای، تابع خطاو گرادیان آن محاسبه و وزن های شبکه، شامل مدل سرعتی، به روزرسانی می شود. مزیت این روش، سرعت بالای محاسبات است، چراکه استفاده همزمان از واحد پردازش گرافیکی و شبیه سازی دسته ای و موازی چشمه های مختلف موجب تسریع چند صد برابری فرایند می شود. الگوریتم پیشنهادی بر مدل مارموزی برای شبیه سازی داده های مصنوعی و وارون سازی شکل موج کامل اعمال شد. همچنین، روش های بهینه سازی مرسوم در یادگیری عمیق مورد ارزیابی قرار گرفتند که از این بین روش مومنتوم انطباقی بهترین عملکرد را از خود نشان داد، به طوری که شاخص شباهت ساختاری مابین مدل صحیح و مدل باز سازی شده، از ۷۳/۰ برای روش سریع ترین شیب، که روش متداول بهینه سازی در مسئله وارون سازی شکل موج است، به ۷۷/۰ برای روش مومنتوم انطباقی افزایش یافته است.

کلیدواژه ها:

وارون سازی ، شکل موج کامل ، یادگیری عمیق ، مبتنی بر فیزیک ، شبکه عصبی بازگشتی