Abstract: В работе представлен алгоритм численного моделирования волновых сейсмических полей в сложноустроенных средах. Подход основан на комбинировании классического метода конечных разностей с методами машинного обучения. Для расчета полного набора данных (профильная или площадная система наблюдений) применяется метод конечных разностей на грубой расчетной сетке, что позволяет быстро получить решение с высокой численной ошибкой. Далее точное решение для малого числа положений источников рассчитывается на мелкой сетке для формирования обучающей выборки. Затем нейросеть NDM-net (Numerical Dispersion Mitigation Neural Network) обучается отображать зашумленные данные в точные и применяется для коррекции полного набора данных. Такой подход позволяет сократить время счета - затраты вычислительных и финансовых ресурсов - до шести раз. При этом он применяется к сейсмограммам общей точки возбуждения, следовательно, минимизируется ошибка именно этих данных. В этой работе рассматривается влияние нейросетевого подхода на результат глубинной миграции до суммирования. Показано, что применение NDM-net существенно повышает качество изображений, уменьшая погрешность оценки глубины сейсмических событий и улучшает их локализацию.

Cite: Гондюл Е.А. , Дубровина В.А. , Лисица В.В. , Вишневский Д.М.
Нейросетевое сейсмическое моделирование - применимость модельных данных для глубинной миграции
Геофизика. 2026. №2. С.17-22. DOI: 10.34926/geo.2026.37.16.003 РИНЦ OpenAlex

Dates:

Submitted:	Feb 13, 2026
Accepted:	Mar 19, 2026
Published print:	May 8, 2026
Published online:	May 8, 2026

Identifiers:

≡ Elibrary:	89337998
≡ OpenAlex:	W7161153871

Altmetrics: