Inversion stochastique de forme d'onde complète avec un prior génératif profond pour l'évaluation de l'incertitude

Pour obtenir des images à haute résolution des structures souterraines à partir de données sismiques, les techniques d'imagerie sismique telles que l'Inversion de Forme d'Onde Complète (FWI) servent d'outils cruciaux. Cependant, la FWI implique de résoudre un problème inverse non linéaire et souvent non unique, présentant des défis tels que le piégeage dans des minima locaux et une gestion inadéquate des incertitudes inhérentes. Pour faire face à ces défis, nous proposons de tirer parti des modèles génératifs profonds comme distribution a priori des paramètres géophysiques pour l'inversion bayésienne stochastique. Cette approche intègre le gradient d'état adjoint pour une rétropropagation efficace à partir de la solution numérique d'équations différentielles partielles. De plus, nous introduisons des méthodes d'inférence variational bayésienne explicites et implicites. La méthode explicite calcule la densité de distribution variationnelle en utilisant un réseau neuronal basé sur un flux de normalisation, permettant le calcul du postérieur bayésien des paramètres. Inversement, la méthode implicite utilise un réseau d'inférence attaché à un modèle génératif pré-entraîné pour estimer la densité, incorporant un estimateur d'entropie. En outre, nous avons également expérimenté la méthode de Descente de Gradient Variationnel Stein (SVGD) comme une autre technique d'inférence variationnelle, utilisant des particules. Nous comparons ces méthodes d'inférence bayésienne variationnelle avec un échantillonnage conventionnel par chaîne de Markov Monte Carlo (McMC). Chaque méthode est capable de quantifier les incertitudes et de générer des réalisations de paramètres géophysiques souterrains conditionnés par les données sismiques. Ce cadre fournit des insights sur les structures souterraines tout en tenant compte des incertitudes inhérentes.