摘要: 本贴给出 8 次讨论式培训的提纲, 每次培训 1 小时.

1. Basic concepts

主动学习: 提问, 理解, 继续追问. 通过不断迭代, 逐步提升问题的质量, 加深理解.

• 1.1 Seismic exploration
  问 DeepSeek (下同): 为什么进行地震勘探?
  问: 地震勘探一般的深度是多少?

• 1.2 Sesmic data processing – regular process
  问: 如何进行地震数据处理?
  反过来思考: “什么是地震数据处理” 这个问题不太合适, 因为地震数据采集, 数据处理, 数据解释是三个人为定义的步骤.
  地震数据处理有哪几类方法?
  期待的答案是: 常规, 基于正演模拟, 深度学习三大类, 但 DS 给的分类方式不同.

• 1.3 Full waveform inversion
  问: 基于正演模拟的全波形反演是怎么做的? 有哪些具体的优势与劣势?

• 1.4 Deep learning-based full waveform inversion
  问: 深度全波形反演是怎么做的? 有哪些具体的优势与劣势?

2. Network structure

• 2.1 InversionNet
  Encoder-decorder structure
  为什么要进行编码与解码?
  机器与人类对事物的理解是不一样的. 我们需要知道数据的本质, 需要对数据进行压缩、表征.
  例: 两个实数表示一个二维坐标点. 能不能用一个实数表示? 一般是不行的. 特殊情况呢, 例如在一条线上的坐标点.
  方法 1: 只记录横坐标即可.
  方法 2: 记录该点到原点的距离. 原始基向量为 $(1,0)$ 和 (0, 1). 形成一组新的基向量: $(\sqrt{2}/2,\sqrt{2}/2)$, $(\sqrt{2}/2,-\sqrt{2}/2)$. 点 $(1,1)$在新的坐标系下变成 $(\sqrt{2},0)$.
  基向量是怎么来的? 可以观察、学习获得.

神经网络试图原始地震数据, 获得它的内部表示 (可以看成一类压缩), 解码成速度模型. 卷积核就是学习出来的, 类似于基向量的东西.

学习 PCA, 理解降维.

• 2.2 FCNVMB
  UNet
• 2.3 DDNet
  Multi-task

3. Network components

• 3.1 Deformable convolution
• 3.2 Spatial attention module

4. Loss function

• 4.1 Pixel: L1 and L2
• 4.2 Boundary

5. Training

• 5.1 Curriculum learning
• 5.2 Transfer learning
• 5.3 Domain adaptation

6. Observation system

7. Problem statement

• 7.1 1D CMP based inversion
• 7.2 2D velocity inversion

8. Chellenges

• 8.1 Data distribution
  Transfer learning
• 8.2 Data size
  Too big
• 8.3 Dataset size
  Few field data
• 8.4 Interpretability
  PINN: Physics informed neural network