Representación Neural Implícita para la Inversión de Forma de Onda Total Elástica

RESUMEN La inversión de forma de onda total (FWI) se ha convertido en una piedra angular para la imagen sísmica de alta resolución, sin embargo, sigue siendo computacionalmente exigente y sensible a las suposiciones del modelo inicial y al ruido. Avances recientes han demostrado que representar el modelo del subsuelo, utilizando representaciones neuronales implícitas (INRs), puede proporcionar parametrizaciones compactas, continuas y diferenciables que mejoran la convergencia y reducen el sobreajuste. En este estudio, ampliamos el marco de FWI basado en INR al régimen elástico, con un enfoque en aplicaciones cerca de la superficie y la inversión de ondas superficiales. En particular, realizamos la inversión de conjuntos de datos de ondas superficiales tanto sintéticas como de campo. Nuestro método aprovecha Deepwave para la simulación de ondas elásticas y el cálculo de gradientes mediante diferenciación automática. En la prueba sintética, comparamos el rendimiento obtenido utilizando diferentes arquitecturas de INR para encontrar la configuración óptima. Para la inversión del conjunto de datos de campo, en cambio, comparamos nuestros resultados con los obtenidos usando un enfoque estándar de FWI determinista, destacando su resistencia superior con respecto a la inicialización.