Unsupervised seismic acoustic impedance inversion based on generative diffusion model
Notice bibliographique
Résumé
ABSTRACT Seismic acoustic impedance, defined as the product of rock density and seismic velocity, is essential for identifying different rock layers and their contents. Seismic acoustic impedance inversion (SAII) is a crucial technique for deriving high-resolution impedance profiles, aiding in the interpretation of subsurface geologic structures, reservoir identification, and lithologic characterization. Although deep-learning-based methods have become a new inversion paradigm, they often require high-quality labeled data and accurate low-frequency impedance models to produce high-resolution impedance profiles. We develop an unsupervised SAII method based on a generative diffusion model to address these limitations. Our approach begins by training the generative diffusion model using low-frequency impedance models as the conditional input, allowing it to capture the complex prior distribution from the training data. We then incorporate an explicit physical measurement model into the diffusion model sampling process to approximate the posterior distribution. Our method mitigates the dependency on low-frequency impedance and enhances inversion performance. Notably, our method is an unsupervised inversion framework, effectively addressing the inverse problem without the constraints of measurements and labeled data requirements. Synthetic and field data experiments validate our method, demonstrating superior accuracy compared with supervised deep learning, unsupervised deep learning, and regularization methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».