本文主要是介绍一次性解决 DL-FWI 论文题目问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
摘要: 小组做同一方向研究时, 面临题目容易冲突的问题. 本文分析一篇 DL-FWI 涉及的几个方面, 以此来完全解决论文命名问题。
1. 反演结果
反演结果可以按几种方式划分.
1.1 数据的维度
1.1.1 1D
反演的结果是 1D, 其实容易有较好的普适性. 相应的输入, 一般是共中心点道集.
1.1.2 2D
反演的结果是 2D, 一般需要输入为多炮.
1.1.2 3D
当前采集的许多现场数据是 3D 的, 所以也支持 3D 结果的反演, 但这样需要的存储和计算资源很大.
1.2 模型的格式
1.2.1 层速度
这是默认格式, 一般来说, 提及速度模型就是它.
1.2.2 平均速度
时间深度对应的是平均速度.
1.2.3 叠加速度
在水平层状介质的情况下, 叠加速度就等于均方根速度; 在倾斜层状介质的情况下, 叠加速度就等于均方根速度乘以倾角的余弦.
1.2.4 均方根速度
2. 地质特点
现阶段, 我们并不需要获得一个到处可用的深度模型, 还是有些针对性更好.
2.1 地层深度
2.1.1 深层数据
2.1.2 浅层数据
2.2 大陆与海洋
2.2.1 大陆数据
2.2.2 海洋数据
2.3 构造特点
2.3.1 断层数据
2.3.2 盐体数据
3. 网络搭建方式
网络搭建可以按几种方式划分.
3.1 网络的基于操作
3.1.1 CNN
主要是卷积操作, 把数据看成是图片.
3.1.2 可变形卷积
比卷积更高级.
3.1.3 RNN
主要是循环操作, 把数据看成是时序.
3.1.4 LSTM
比 RNN 更高级.
3.1.5 Transformer
比 LSTM 更高级.
3.1.6 Inception相关模块
张星移建议.
3.2 网络框架
3.2.1 Encoder-decoder
编码解码器网络.
3.2.2 UNet
比 Encoder-decoder 更高级, 也是主流.
3.2.3 GAN
生成对抗网络.
3.2.4 Multi-head network
可以有多个编码、解码器, 可以做多任务.
3.2.5 多阶段结合型网络
就是多个网络结构的结合体, 或者迭代网络. 张星移建议.
3.3 可选模块
3.3.1 Deep prior
深度先验用其它数据 (如图片数据) 获得的模型, 直接插入网络里面使用 (plug-and-play).
参考 http://fansmale.com/downloadRAR/publicationPdf/2022FPOCS(Minfan).pdf
3.3.2 Multi-scale residual dense network
参考 http://fansmale.com/downloadRAR/publicationPdf/2022MSRDN(GaoLei).pdf
3.3.3 PINN
Physics-informed neural network, 可将物理规律直接做成模块, 像 Deep prior 一样使用.
3.3.4 RTM先验
张星移建议.
3.3.5 FWI梯度算子的先验
张星移建议.
4. 训练数据生成方式
4.1 声波数据
4.2 弹性波数据
4.3 带边界条件的弹性波数据
5. 数据训练的方式
5.1 迁移学习
5.2 多任务学习
5.3 域自适应学习
5.4 持续学习
6. 题目例子
有了前面的分析, 其实已经可以写出非常多的题目了. 如:
1.1.1 + 2.3.1 + 3.2.2 + 4.1 + 5.1 = 基于UNet与迁移学习的一维断层数据反演方法
如果做的是本科毕业论文, 只需要在后面加上"设计与实现".
这篇关于一次性解决 DL-FWI 论文题目问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
