Aprendendo com dados reais sem rótulos reais: uma estratégia para inversão de forma de onda total extrapolada com dados de campo

RESUMO A inversão de forma de onda total (FWI) depende de dados de baixa frequência para ter sucesso, se um bom modelo inicial não estiver disponível. No entanto, os dados sísmicos de campo excitados por fontes ativas são tipicamente limitados em banda acima de 3 Hz. Através da FWI extrapolada, podemos iniciar a inversão a partir de frequências baixas computacionais extrapoladas de dados limitados. No entanto, a extrapolação de baixa frequência com aprendizado profundo é desafiadora para dados de campo, uma vez que uma rede neural treinada em dados sintéticos geralmente generaliza mal para dados sísmicos reais. Aqui usamos um método de aprendizado semi-supervisionado para extrapolar baixas frequências para dados de campo, treinando com dados reais sem rótulos reais. Especificamente, ao treinar o CycleGAN com imagens não emparelhadas de dados de campo limitados em banda de 4 a 10 Hz e coletas de baixa frequência sintéticas de 0 a 4 Hz, podemos extrapolar as baixas frequências de 0 a 4 Hz para os dados de campo limitados acima de 4 Hz. A onda fonte para a simulação de dados sintéticos de baixa frequência é usada como fonte na FWI utilizando os dados extrapolados. O modelo de velocidade invertido usando apenas as baixas frequências extrapoladas é comparável ao modelo de tomografia. Nosso método fortalece a capacidade da FWI para mapear estruturas da Terra finas, mitigando efetivamente o problema de salto de ciclo.