بهبود مدل سرعت در وارون سازی لرزه ای با رویکرد شبکه های عصبی آگاه از فیزیک

چکیده مقاله

روش های عددی سنتی و مبتنی بر گرادیان در وارون سازی لرزه ای با چالش هایی همچون نیاز به مدل اولیه سرعت دقیق و خطر گیر افتادن در کمینه های محلی روبه رو هستند در این پژوهش، رویکرد نوین شبکه های عصبی آگاه از فیزیک مسئله PINNs برای حل معادله موج آکوستیک دوبعدی و اجرای وارون سازی شکل موج کامل به کار گرفته شده است شبکه های عصبی متداول عمدتا متکی بر داده های موجود بوده و جنبه های فیزیکی فرآیند را نادیده می گیرند، در حالی که PINNs با ادغام دانش فیزیکی و الگوریتم های یادگیری ماشین، این محدودیت ها را کاهش می دهد مزیت اصلی این روش، کاهش وابستگی به حجم بالای داده های آموزشی و افزایش قابلیت تفسیر مدل است در این مطالعه، مدل سرعت به دست آمده از PINNs با نتایج شبکه های عصبی بدون آگاهی فیزیکی مقایسه شده است نتایج نشان می دهد که رویکرد پیشنهادی، ضمن رفع بخشی از چالش های روش های کلاسیک، دقت و پایداری بالاتری در تخمین مدل سرعت ارائه می دهد و وابستگی به داده های برچسب گذاری شده را کاهش می دهد این یافته ها بیانگر پتانسیل بالای استفاده از شبکه های عصبی آگاه از فیزیک در بهبود فرآیند وارون سازی لرزه ای و افزایش قابلیت اطمینان مدل ها در کاربردهای اکتشافی است

کلیدواژه‌ها

نویسندگان

آرمان نجفی

دانشجوی دکتری اکتشاف معدن ، دانشگاه صنعتی شاهرود

امین روشندل کاهو

دانشیار، دانشگاه صنعتی شاهرود

مهرداد سلیمانی منفرد

دانشیار، دانشگاه صنعتی شاهرود

نجفی، آرمان و روشندل کاهو، امین و سلیمانی منفرد، مهرداد،1404،بهبود مدل سرعت در وارون سازی لرزه ای با رویکرد شبکه های عصبی آگاه از فیزیک،هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت،تهران

ارائه‌شده در

مجموعه مقالات هفتمین کنفرانس ژئوفیزیک کاربردی در اکتشاف نفت23 مهر 1404 · تهران