التعلم من البيانات الحقيقية دون تسميات حقيقية: استراتيجية للانقلاب الكامل للموجة مع بيانات الحقل

الملخص: يعتمد الانقلاب الكامل للموجة (FWI) على بيانات التردد المنخفض للنجاح في حال عدم توفر نموذج أولي جيد. ومع ذلك، تكون بيانات الزلازل الميدانية التي تثيرها مصادر نشطة عادةً محدودة النطاق فوق 3 هرتز. من خلال الانقلاب الكامل للموجة المستخلص، يمكننا بدء الانقلاب من الترددات المنخفضة الحسابية المستخلصة من البيانات المحدودة النطاق. ومع ذلك، فإن استخراج الترددات المنخفضة باستخدام التعلم العميق يمثل تحديًا لبيانات الحقل نظرًا لأن الشبكة العصبية المدربة على بيانات تركيبية عادةً ما تعمم بشكل سيئ على بيانات الزلازل الحقيقية. هنا نستخدم طريقة التعلم شبه المراقب لاستنتاج الترددات المنخفضة لبيانات الحقل عن طريق التدريب باستخدام بيانات حقيقية دون تسميات حقيقية. على وجه التحديد، من خلال تدريب CycleGAN مع صور غير متطابقة من بيانات الحقل المحدودة النطاق من 4-10 هرتز ولقطات التردد المنخفض من 0-4 هرتز، يمكننا استخلاص الترددات المنخفضة من 0-4 هرتز لبيانات الحقل المحدودة النطاق فوق 4 هرتز. يتم استخدام موجة المصدر لمحاكاة بيانات التردد المنخفض التركيبية كمصدر في FWI باستخدام البيانات المستخلصة. النموذج المضاد للسرعة المعكوس باستخدام الترددات المنخفضة المستخلصة فقط مشابه لنموذج التصوير. طريقتنا تعزز قدرة FWI في رسم هياكل الأرض الدقيقة عن طريق التخفيف الفعال لمشكلة تخطي الدورة.