DOI: https://doi.org/10.1109/tgrs.2026.3717153
تاريخ النشر: 2026-01-01
المؤلف: Jie Chen وآخرون
الموضوع الرئيسي: تقنيات التصوير الزلزالي والعكس
نظرة عامة
تقدم البحث إطارًا جديدًا لعكس مقاومة الصوت الزلزالي باستخدام نموذج انتشار توليدي كامن شرطي. يتناول هذا النهج التحديات المرتبطة بتقدير المقاومة مباشرة من بيانات الزلازل بعد التكديس، والتي تعقدها الطبيعة غير المحددة لمشكلة العكس. من خلال إجراء العكس في الفضاء الكامن بدلاً من مجال البكسل، يسمح الأسلوب المقترح بأحجام عكس أكبر ويقلل من العبء الحسابي المرتبط عادةً بالعديد من التكرارات. تم دمج وحدة خفيفة الوزن تعتمد على الموجات لتحويل بيانات الزلازل إلى الفضاء الكامن بكفاءة، مستفيدةً من مشفر تم تدريبه على المقاومة لدمج المقاومة منخفضة التردد كمدخل شرطي.
تظهر التجارب العددية أن هذا الإطار يحقق دقة عالية في العكس ومرونة ضد الضوضاء، مما يتطلب فقط بضع خطوات انتشار. بالإضافة إلى ذلك، تظهر تطبيقات بيانات الحقل تحسينًا في التفاصيل الجيولوجية والتوافق مع قياسات سجل البئر مقارنةً بالطرق التقليدية مثل SDL و USDL و 2D-TV. تؤكد النتائج فعالية وملاءمة النهج المقترح، مما يبرز إمكانيته في تحسين تحديد الصخور وتفسير الهياكل تحت السطحية في الدراسات الزلزالية.
مقدمة
تناقش مقدمة الورقة أهمية عكس مقاومة الصوت الزلزالي في الاستكشاف الجيوفيزيائي، مع التأكيد على دوره في تحديد الهياكل الجيولوجية وتحسين مواقع الحفر. يبرز المؤلفون التحديات التي تطرحها الطبيعة غير المحددة لمشاكل العكس، والتي تتفاقم بسبب عوامل مثل عرض نطاق التردد الزلزالي المحدود وتداخل الضوضاء. تُلاحظ المنهجيات التقليدية للعكس، بما في ذلك الأساليب الحتمية والعشوائية، لاعتمادها على معرفة مسبقة دقيقة، مما يحد غالبًا من فعاليتها في إنتاج نتائج عالية الدقة لبيانات الحقل المعقدة. في المقابل، ظهرت طرق التعلم العميق كبديل واعد، مما يقلل من الاعتماد على المعرفة المسبقة المدفوعة من الخبراء من خلال التعلم مباشرة من البيانات.
تستكشف الورقة أيضًا إمكانيات نماذج الانتشار في العكس الزلزالي، والتي تستخدم عملية إزالة الضوضاء التدريجية لنمذجة توزيعات البيانات، وبالتالي معالجة القيود المرتبطة بأساليب التعلم العميق التقليدية. أظهرت الدراسات السابقة فعالية نماذج الانتشار في مهام جيوفيزيائية متنوعة، بما في ذلك العكس الكامل للموجات وعكس مقاومة الصوت. يقترح المؤلفون طريقة جديدة، وهي عكس مقاومة الصوت الزلزالي بناءً على نموذج الانتشار التوليدي الكامن الشرطي (SAII-CLDM)، الذي يعمل في الفضاء الكامن بدلاً من فضاء البكسل لتعزيز الكفاءة الحسابية وقابلية التوسع. تشمل المساهمات الرئيسية استراتيجية أخذ عينات مدفوعة بالنموذج لتحسين دقة العكس ووحدة خفيفة الوزن تعتمد على الموجات لدمج بيانات الزلازل في نموذج الانتشار. ستفصل الأقسام التالية من الورقة أساسيات نموذج الانتشار، والطريقة المقترحة، والتحقق من صحتها من خلال تجارب بيانات صناعية وبيانات حقل.
مناقشة
تناقش هذه القسم الأسس النظرية والتطبيقات العملية لنماذج الانتشار التوليدية، خاصة في سياق عكس مقاومة الصوت الزلزالي. تعمل نماذج الانتشار التوليدية من خلال إفساد البيانات عبر عملية انتشار أمامية ومن ثم تعلم عكس هذا الفساد باستخدام شبكة عصبية لإزالة الضوضاء. تتميز العملية الأمامية بسلسلة ماركوف مع انتقالات غاوسية، بينما تهدف العملية العكسية إلى تقريب توزيع البيانات الأصلية. يتم تحسين معلمات النموذج من خلال تعظيم الحد الأدنى من الأدلة (ELBO)، والذي يمكن تفكيكه إلى تقليل تباينات كولباك-ليبلر عبر خطوات الانتشار.
يستفيد إطار عكس المقاومة المقترح من نموذج انتشار كامن شرطي لاستعادة المقاومة تحت السطحية من بيانات الزلازل. تتضمن هذه الطريقة معلومات المقاومة منخفضة التردد السابقة لتعزيز دقة العكس، مع إعادة صياغة مهمة العكس كاحتمال شرطي. يستخدم الإطار شبكة تنافسية توليدية مع كميّات متجهة (VQ-GAN) لترميز وفك ترميز بيانات المقاومة إلى فضاء كامن منخفض الأبعاد، مما يسهل العكس بكفاءة. بالإضافة إلى ذلك، تم تقديم استراتيجية أخذ عينات مدفوعة بالنموذج لتحسين المرونة وتقليل التكاليف الحسابية خلال عملية العكس. تظهر النتائج التجريبية أن الطريقة المقترحة تتفوق على الأساليب التقليدية من حيث الدقة والكفاءة، خاصة في الظروف المليئة بالضوضاء، مما يبرز فعالية دمج معلومات المقاومة منخفضة التردد واستراتيجية تحسين مدفوعة بالنموذج.
DOI: https://doi.org/10.1109/tgrs.2026.3717153
Publication Date: 2026-01-01
Author(s): Jie Chen et al.
Primary Topic: Seismic Imaging and Inversion Techniques
Overview
The research presents a novel framework for seismic acoustic impedance inversion utilizing a conditional latent generative diffusion model. This approach addresses the challenges associated with directly estimating impedance from post-stack seismic data, which is complicated by the ill-posed nature of the inversion problem. By performing the inversion in latent space rather than the pixel domain, the proposed method allows for larger inversion sizes and reduces the computational burden typically associated with multiple iterations. A lightweight wavelet-based module is integrated to project seismic data into the latent space efficiently, leveraging an encoder trained on impedance to incorporate low-frequency impedance as conditional input.
Numerical experiments demonstrate that this framework achieves high inversion accuracy and robustness to noise, requiring only a few diffusion steps. Additionally, field data applications show improved geological detail and consistency with well-log measurements compared to traditional methods such as SDL, USDL, and 2D-TV. The findings validate the effectiveness and practicality of the proposed approach, highlighting its potential for enhanced lithological identification and subsurface structure interpretation in seismic studies.
Introduction
The introduction of the paper discusses the significance of seismic acoustic impedance inversion in geophysical exploration, emphasizing its role in identifying geological structures and optimizing drilling locations. The authors highlight the challenges posed by the ill-posed nature of inversion problems, which are exacerbated by factors such as limited seismic frequency bandwidth and noise interference. Traditional inversion methodologies, including deterministic and stochastic approaches, are noted for their reliance on accurate physical prior knowledge, which often limits their effectiveness in producing high-resolution results for complex field data. In contrast, deep learning methods have emerged as a promising alternative, reducing dependency on expert-driven priors by learning directly from data.
The paper further explores the potential of diffusion models in seismic inversion, which utilize a gradual denoising process to model data distributions, thereby addressing limitations associated with traditional deep learning approaches. Previous studies have demonstrated the effectiveness of diffusion models in various geophysical tasks, including full waveform inversion and acoustic impedance inversion. The authors propose a novel method, the seismic acoustic impedance inversion based on the conditional latent generative diffusion model (SAII-CLDM), which operates in latent space rather than pixel space to enhance computational efficiency and scalability. Key contributions include a model-driven sampling strategy to improve inversion accuracy and a lightweight wavelet-based module for integrating seismic data into the diffusion model. The subsequent sections of the paper will detail the diffusion model fundamentals, the proposed method, and its validation through synthetic and field data experiments.
Discussion
The section discusses the theoretical underpinnings and practical applications of generative diffusion models, particularly in the context of seismic acoustic impedance inversion. Generative diffusion models operate by corrupting data through a forward diffusion process and subsequently learning to reverse this corruption using a denoising neural network. The forward process is characterized by a Markov chain with Gaussian transitions, while the reverse process aims to approximate the original data distribution. The model parameters are optimized by maximizing the evidence lower bound (ELBO), which can be decomposed into minimizing Kullback-Leibler divergences across diffusion steps.
The proposed impedance inversion framework leverages a latent conditional diffusion model to recover subsurface impedance from seismic data. This method incorporates prior low-frequency impedance information to enhance inversion accuracy, reformulating the inversion task as a conditional probability. The framework utilizes a Vector-Quantized Generative Adversarial Network (VQ-GAN) for encoding and decoding impedance data into a low-dimensional latent space, facilitating efficient inversion. Additionally, a model-driven sampling strategy is introduced to improve robustness and reduce computational costs during the inversion process. Experimental results demonstrate that the proposed method outperforms traditional approaches in terms of accuracy and efficiency, particularly in noisy conditions, highlighting the effectiveness of integrating low-frequency impedance information and the model-driven optimization strategy.