2D-CNNs और डोमेन अनुकूलन पर आधारित भूकंपीय आवर्तीकरण

गहरी शिक्षा का उपयोग भूकंपीय आवर्तीकरण समस्या को हल करने के लिए किया गया है, जो अधिक दक्षता और सटीकता लाती है। हालाँकि, खराब स्थानिक निरंतरता और कमजोर सामान्यीकरण व्यावहारिक अनुप्रयोगों को सीमित करते हैं। इन समस्याओं को हल करने के लिए, हम डोमेन अनुकूलन पर आधारित 2D एंड-टू-एंड भूकंपीय आवर्तीकरण विधि का प्रस्ताव करते हैं। सबसे पहले, प्रस्तावित 2D नेटवर्क डोमेन अनुकूलन परत की अनुशासन के तहत भूकंपीय डेटा के आवर्तीकरण मैपिंग को सीखता है, जो वास्तविक भूकंपीय डेटा और कृत्रिम भूकंपीय डेटा की विशेषताओं के बीच के अंतर को कम कर सकता है, वास्तविक भूकंपीय डेटा पर सामान्यीकरण क्षमता में सुधार करता है। फिर, प्रशिक्षित मॉडल को अच्छी लॉगिंग डेटा के साथ फाइन-ट्यून किया जाता है। पहले प्रक्रिया में, आवर्तीकरण परिणाम की स्थानिक निरंतरता 2D प्रशिक्षण योजना द्वारा सुनिश्चित की जाती है। इस बीच, डोमेन अनुकूलन परत की अनुशासन के कारण, हमारा मॉडल न केवल कृत्रिम डेटा पर अच्छा प्रदर्शन करता है बल्कि वास्तविक भूकंपीय डेटा पर भी अच्छी सामान्यीकरण क्षमता रखता है। और हम डोमेन अनुकूलन परत के तंत्र पर ध्यान से चर्चा करते हैं। दूसरी प्रक्रिया में, फाइन-ट्यूनिंग अच्छी लॉगिंग जानकारी प्रदान करता है, जो विवरणों को आवर्तीकरण की क्षमता को और बेहतर बना सकती है। इसके अतिरिक्त, वास्तविक भूकंपीय डेटा पर आवर्तीकरण सटीकता को बढ़ाने के लिए, हम एक नई प्रशिक्षण डेटा उत्पन्न करने की विधि विकसित करते हैं जो वास्तविक नमूनों के करीब कृत्रिम नमूने उत्पन्न कर सकती है, और 3D डेटा की निरंतरता को सुधारने के लिए 2.5D प्रशिक्षण रणनीति अपनाई जाती है। कृत्रिम और वास्तविक भूकंपीय डेटा पर प्रयोगों से पता चलता है कि हमारी विधि पुनरावृत्ति आवर्तीकरण विधि और 1D बंद लूप CNN विधियों दोनों की तुलना में बेहतर प्रदर्शन करती है।