Inversão geofísica aumentada por aprendizagem por máquina

inversão geofísica aumentada por aprendizagem por máquina. um método e sistema de inversão geofísica aumentada com aprendizagem por máquina inclui obter dados medidos; obter dados de subsuperfície anteriores; (a) treinar parcialmente um autocodificador de dados com os dados medidos para aprender uma fração de representações de espaço de dados e gerar um codificador de espaço de dados; (b) treinar parcialmente um autcodificador de modelo com os dados de subsuperfície anteriores para aprender uma fração de representações de espaço de modelo e gerar um decodificador de espaço de modelo; (c) formar um modelo antecipado aumentado com o decodificador de espaço de modelo, o codificador de espaço de dados e um modelo antecipado baseado em física; (d) resolver um problema de inversão com o modelo antecipado aumentado para gerar uma solução de inversão; e repetir iterativamente (a) ? (d) ante convergência da solução de inversão, em que, para cada iteração: treinamento parcial dos autocodificadores de dados e modelo começa com pesos aprendidos a partir de uma iteração imediatamente anterior; e resolução do problema de inversão começa com parâmetros super a partir da iteração anterior. A method and system of machine learning-augmented geophysical inversion includes obtaining measured data; obtaining prior subsurface data; (a) partially training a data autoencoder with the measured data to learn a fraction of data space representations and generate a data space encoder; (b) partially training a model autoencoder with the prior subsurface data to learn a fraction of model space representations and generate a model space decoder; (c) forming an augmented forward model with the model space decoder, the data space encoder, and a physics-based forward model; (d) solving an inversion problem with the augmented forward model to generate an inversion solution; and iteratively repeating (a)-(d) until convergence of the inversion solution, wherein, for each iteration: partially training the data and model autoencoders starts with learned weights from an immediately-previous iteration; and solving the inversion problem starts with super parameters from the previous iteration.