Neues Deep-Learning-Modell revolutioniert Full-Waveform-Inversion

Ein neues Deep-Learning-Framework namens SA-EMO (Structure-Aligned Encoder Mixture of Operators) verspricht, die Herausforderungen der Full-Waveform-Inversion (FWI) zu überwinden. FWI ist ein Verfahren, das hochauflösende Modelle des Untergrunds erzeugt, aber gleichzeitig schlecht definiert, stark nichtlinear und rechenintensiv bleibt. SA-EMO kombiniert einen strukturell ausgerichteten Encoder mit einer Mischung aus mehreren neuronalen Operatoren, um diese Probleme anzugehen.

Der Encoder wandelt hochdimensionale seismische Wellenfelder in einen physikalisch konsistenten latenten Raum um. Dadurch werden räumlich‑zeitliche Diskrepanzen zwischen Wellenfeld und Geschwindigkeitsmodell beseitigt, hochfrequente Komponenten wiederhergestellt und die Generalisierung der Merkmale verbessert. Anschließend wählt ein adaptiver Routing-Mechanismus gezielt aus einer Palette von Experten – spektrale, Wavelet‑, Multiskalen‑ und lokale Operatoren – und fusioniert deren Vorhersagen, um das Geschwindigkeitsmodell zu bestimmen.

Tests auf dem OpenFWI-Benchmark und dem Marmousi2-Datensatz zeigen, dass SA-EMO die Leistung traditioneller CNN‑ oder einzelner Operatoren deutlich übertrifft. Die durchschnittliche mittlere absolute Fehler (MAE) sinkt um etwa 58,4 % und die Kantengenauigkeit verbessert sich um rund 10,3 %. Ablationsstudien verdeutlichen, dass sowohl der strukturell ausgerichtete Encoder, die Expertenfusion als auch das Routing‑Modul entscheidend zum Erfolg beitragen.