وارونسازی شکل موج کامل با استفاده از یک شبکه عصبی بازگشتی مبتنی بر فیزیک مسئله
نویسندگان
1 گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران.
2 گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران.
3 گروه فیزیک زمین، مؤسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران.
doi
10.22059/jesphys.2025.390086.1007668چکیده
وارونسازی شکل موج کامل روشی برای تخمین خواص الاستیک محیط است که همه اطلاعات موجود در دادههای لرزهای، شامل اطلاعات دامنه، فاز و فرکانس، را برای تخمین مدلهایی با قدرت تفکیک بالا بهکار میگیرد. این روش در تصویرسازی صحیح لرزهای اهمیت ویژهای دارد، اما با چالشهایی چون نیاز به زمان و توان محاسباتی بالا و وابستگی به مدل اولیه مواجه است. پژوهشگران متعددی سعی در استفاده از روشهای یادگیری عمیق برای غلبه بر چالشهای مسئله وارونسازی شکل موج کامل داشتهاند. این مقاله نیز یک بلوک یادگیری عمیق بازگشتی مبتنیبر معادله موج ارائه میدهد که سرعت محیط با ماتریس وزنی یکی از لایههای آن، مرتبط است. در فرایندی تکراری، از این بلوک برای پیشبینی داده لرزهای استفاده میشود و سپس با مقایسه با داده مشاهدهای، تابع خطاو گرادیان آن محاسبه و وزنهای شبکه، شامل مدل سرعتی، بهروزرسانی میشود. مزیت این روش، سرعت بالای محاسبات است، چراکه استفاده همزمان از واحد پردازش گرافیکی و شبیهسازی دستهای و موازی چشمههای مختلف موجب تسریع چند صد برابری فرایند میشود. الگوریتم پیشنهادی بر مدل مارموزی برای شبیهسازی دادههای مصنوعی و وارونسازی شکل موج کامل اعمال شد. همچنین، روشهای بهینهسازی مرسوم در یادگیری عمیق مورد ارزیابی قرار گرفتند که از این بین روش مومنتوم انطباقی بهترین عملکرد را از خود نشان داد، بهطوریکه شاخص شباهت ساختاری مابین مدل صحیح و مدل بازسازیشده، از 73/0 برای روش سریعترین شیب، که روش متداول بهینهسازی در مسئله وارونسازی شکل موج است، به 77/0 برای روش مومنتوم انطباقی افزایش یافته است.
