OpenFWI代码

重点关注文章第4部分

一、代码模块概览

这一部分了解代码主要实现的功能有哪些。

二、运行

这一部分关注如何跑通。

三、数据集

12个数据集（11个2D+1个3D）
在这里插入图片描述
对计算机而言，上述输入、输出维度大小是按次数定义的。

以“Vel，Fault和Style”系列为例，观测系统设置是：
网格间距10m（Q：网格的作用是什么 A：一是建立数据和实际地球空间位置上的对应；二是方便数据处理。在实际勘探中，观测点分布可能不均匀，对没观测到的地方通过插值填充，此外网格化有助于标准化地震数据处理流程，确保不同数据集之间的一致性和可比性。）
每条炮线的长度是700m，炮间距是140m——共5次放炮
每条接收线的长度是700m，由于检波器间距是10m——共70个检波点
总共的记录时长是1s，每0.001s采样一次，一共采样1000次。

3.0数据加载

对于 Vel、Fault、Style 系列中的任何数据集，地震数据都保存为 .npy 文件，每个文件包含一批 500 个样本。
datai.npy 指地震数据的 i-th 样本，包含500个样本。
注意：并不是i取值从1-500，而是每份第i个.npy文件都包含500个样本。

import numpy as np
# load seismic data
seismic_data = np.load('data1.npy')
print(seismic_data.shape) #(500,5,1000,70)
# load velocity map
velocity_map = np.load('model1.npy')
print(velocity_map.shape) #(500,1,70,70)

Q:为什么加载的是data1.npy，地震数据的第1个样本，注释里print出来的却是500个样本？
A：歧义出现“地震数据的第1个样本”，实际上是地震数据的第1个.npy文件，每个.npy文件都包含500个样本。

the data is saved as .npy files, each file contains a batch of 500 samples. datai.npy refers to the i-th sample of seismic data

方式一：加载.npy文件的方法之一是可以通过.txt文件找位置。

3.1 与现有数据集特征的对比——文章第3部分

Wenlong Wang and Jianwei Ma. Velocity model building in a crosswell acquisition geometry with image-trained artificial neural networks. Geophysics, 85(2):U31–U46, 2020.
Bin Liu, Senlin Yang, Yuxiao Ren, Xinji Xu, Peng Jiang, and Yangkang Chen. Deep-learning seismic full-waveform inversion for realistic structural modelsdl seismic fwi. Geophysics, 86(1):R31–R44, 2021.
Mauricio Araya-Polo, Joseph Jennings, Amir Adler, and Taylor Dahlke. Deep-learning tomography. The Leading Edge, 37(1):58–66, 2018.
Fangshu Yang and Jianwei Ma. Deep-learning inversion: A next-generation seismic velocity model building method. Geophysics, 84(4):R583–R599, 2019.
Yuxiao Ren, Lichao Nie, Senlin Yang, Peng Jiang, and Yangkang Chen. Building complex seismic velocity models for deep learning inversion. IEEE Access, 9:63767–63778, 2021.
Zhicheng Geng, Zeyu Zhao, Yunzhi Shi, Xinming Wu, Sergey Fomel, and Mrinal Sen. Deep learning for velocity model building with common-image gather volumes. Geophysical Journal International, 228(2):1054–1070, 2022.

地质结构

界面 Mrinal K Sen. Seismic inversion. Society of Petroleum Engineers Richardson, TX, 2006.
断层 Mauricio Araya-Polo, Taylor Dahlke, Charlie Frogner, Chiyuan Zhang, Tomaso Poggio, and Detlef Hohl. Automated fault detection without seismic processing. The Leading Edge, 36(3):208–214, 2017.
多样性 Hui Li, Jing Lin, Baohai Wu, Jinghuai Gao, and Naihao Liu. Elastic properties estimation from prestack seismic data using ggcnns and application on tight sandstone reservoir characterization. IEEE Transactions on Geoscience and Remote Sensing, 60:1–21, 2021.

速度图是从三个来源生成的：数学函数、自然图像和地质储层。
这一特性显著增强了速度图的多样性和通用性。
数据生成流程：在这里插入图片描述

生成速度图的数学公式：

（f是用于模拟断层的随机线性函数）
风格迁移的数学公式：

3.2 基准方法对比——文章第4部分

InversionNet：
Yue Wu and Youzuo Lin. InversionNet: An efficient and accurate data-driven full waveform inversion. IEEE Transactions on Computational Imaging, 6:419–433, 2019.
VelocityGAN：
Zhongping Zhang and Youzuo Lin. Data-driven seismic waveform inversion: A study on the robustness and generalization. IEEE Transactions on Geoscience and Remote sensing,
58(10):6900–6913, 2020.
UPFWI：
Peng Jin, Xitong Zhang, Yinpeng Chen, Sharon Huang, Zicheng Liu, and Youzuo Lin. Unsurpervised learning of full-waveform inversion: Connecting CNN and partial differential equation in a loop. In Proc. Tenth International Conference on Learning Representations (ICLR), 2022.
InversionNet3D：
Qili Zeng, Shihang Feng, Brendt Wohlberg, and Youzuo Lin. InversionNet3D: Efficient and scalable learning for 3-D full-waveform inversion. IEEE Transactions on Geoscience and Remote Sensing, 60:1–16, 2022.

3.3 OpenFWI数据集（对于Vel和Fault系列）的复杂性度量——文章第5部分

复杂度指标1：熵
复杂度指标2：空间信息度
复杂度指标3：梯度稀疏指数

以上3个指标都是指标越大，越复杂。

四、效果展现

图5：复杂度指标（横轴——实际的速度图模型复杂度）和SSIM（纵轴——反演预测出来的速度图图像质量）之间的关系（映射）
（为什么要把模型复杂度评价指标和图像质量评价指标SSIM进行比较？）
观察随着目标反演的数据集变化，即速度图复杂度的变化，反演输出图像（速度图）质量的变化。
左图：以复杂度指标2为横轴，把Vel和Fault系列的8个数据集定量刻画在横轴上，经网络反演后的结果分别用SSIM度量。发现随着标签的复杂度增大，反演预测的图像质量也在下降。