机构名称：
¥ 1.0
模拟现实的地震波场对于一系列地震任务至关重要，包括采集设计，成像和反转。传统的数值地震波模拟器对于大型3D模型在计算上昂贵，并且模拟和观察到的波形之间的差异来自波方程选择和输入物理参数，例如地下弹性模型和源参数。为了应对这些挑战，我们采用了数据驱动的人工智能方法，并提出了一个有条件的生成建模（CGM）框架，以进行地震波模拟。新颖的CGM框架工作从观察到的数据中学习复杂的3D波物理学和地下杂音，而无需依赖明确的物理约束。因此，经过训练的基于CGM的模型充当随机波传播操作员，该操作员用局部地下模型和由训练数据集定义的局部矩张量解决方案编码。给定这些模型，我们可以使用源和接收器的几何形状和源参数作为输入条件变量，以模拟观察区域内任意采集设置的多组件地震数据。在这项研究中，我们在CGM框架内开发了四个模型 - CGM-GM-1D/3D，CGM-WAVE和CGM-FAS，并使用两个地震数据集证明了它们的性能：从San Francisco湾区，具有高地震风险的高密度的高密度的高密度的自然地震波形的少量低密度数据集，并具有高密度的数据，并具有高密度的数据，这些密度是高密度的，这些密度是众所周知的，并构成了高密度的信息，这些密度是高密度的，这些密度是高密度的，这些密度是高密度的，这些杂志的范围是高密度的，并构成了良好的杂货。 场地。CGM框架重现了真实观测值的波形，光谱和运动学特征，证明了为任意源位置，接收器位置和源参数生成波形的能力。我们应对关键挑战，包括数据密度，采集几何形状，缩放和发电变异性，并概述了未来的方向，以促进地震应用及其他地区的CGM框架。
使用生成人工智能模拟地震波场
主要关键词
相关文件推荐
