The determination of subsurface elastic property models is crucial in quantitative seismic data processing and interpretation. This problem is commonly solved by deterministic physical methods, such as tomography or full-waveform inversion. However, these methods are entirely local and require accurate initial models. Deep learning represents a plausible class of methods for seismic inversion, which may avoid some of the issues of purely descent-based approaches. However, any generic deep learning network capable of relating each elastic property cell value to each sample in a seismic data set would require a very large number of degrees of freedom. Two approaches might be taken to train such a network: first, by invoking a massive and exhaustive training data set and, second, by working to reduce the degrees of freedom by enforcing physical constraints on the model-data relationship. The second approach is referred to as “physics-guiding.” Based on recent progress in wave theory-designed (i.e., physics-based) networks, we have developed a hybrid network design, involving deterministic, physics-based modeling and data-driven deep learning components. From an optimization standpoint, a data-driven model misfit (i.e., standard deep learning) and now a physics-guided data residual (i.e., a wave propagation network) are simultaneously minimized during the training of the network. An experiment is carried out to analyze the trade-off between two types of losses. Synthetic velocity building is used to examine the potential of hybrid training. Comparisons demonstrate that, given the same training data set, the hybrid-trained network outperforms the traditional fully data-driven network. In addition, we perform a comprehensive error analysis to quantitatively compare the fully data-driven and hybrid physics-guided approaches. The network is applied to the SEG salt model data, and the uncertainty is analyzed, to further examine the benefits of hybrid training.

中文翻译：

---

物理指导的地震反演深度学习与混合训练和不确定性分析

地下弹性特性模型的确定对于定量地震数据的处理和解释至关重要。通常通过确定性物理方法（例如断层扫描或全波形反演）解决此问题。但是，这些方法完全是局部的，需要准确的初始模型。深度学习代表了一种合理的地震反演方法，可以避免一些纯粹基于下降的方法的问题。但是，任何能够将每个弹性属性单元值与地震数据集中的每个样本相关联的通用深度学习网络，都将需要非常大量的自由度。可以采用两种方法来训练这样的网络：首先，通过调用海量且详尽的训练数据集，其次，通过对模型-数据关系施加物理约束来降低自由度。第二种方法称为“物理指导”。基于波动理论设计的（即基于物理的）网络的最新进展，我们开发了一种混合网络设计，涉及确定性的，基于物理的建模和数据驱动的深度学习组件。从优化的角度来看，在网络训练过程中，同时将数据驱动的模型失配（即标准深度学习）和现在由物理指导的数据残差（即波传播网络）最小化。进行了一项实验来分析两种类型的损失之间的权衡。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。标准深度学习）和现在由物理指导的数据残差（例如，波传播网络）在网络训练期间被同时最小化。进行了一项实验来分析两种类型的损失之间的权衡。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。标准深度学习）和现在由物理指导的数据残差（例如，波传播网络）在网络训练期间被同时最小化。进行了一项实验来分析两种类型的损失之间的权衡。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。电波传播网络）在网络训练期间被同时最小化。进行了一项实验来分析两种类型的损失之间的权衡。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。电波传播网络）在网络训练期间被同时最小化。进行了一项实验来分析两种类型的损失之间的权衡。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。合成速度建立用于检查混合训练的潜力。比较表明，在给定相同训练数据集的情况下，混合训练网络优于传统的完全数据驱动网络。此外，我们进行了全面的误差分析，以定量比较完全数据驱动的方法和混合物理指导的方法。该网络被应用于SEG盐模型数据，并分析了不确定性，以进一步检验混合训练的好处。