MACHINE LEARNING-AUGMENTED GEOPHYSICAL INVERSION

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. Un procédé et un système d'inversion géophysique augmentée par apprentissage automatique consistent à obtenir des données mesurées; à obtenir des données de sous-surface antérieures; (a) à entraîner partiellement un autocodeur de données avec les données mesurées pour apprendre une fraction de représentations d'espace de données et générer un codeur d'espace de données; (b) à entraîner partiellement un autocodeur de modèle avec les données de sous-surface antérieures pour apprendre une fraction de représentations d'espace de modèle et générer un décodeur d'espace de modèle; (c) à former un modèle d'avance augmentée avec le décodeur d'espace de modèle, le codeur d'espace de données et un modèle d'avance basé sur la physique; (d) résoudre un problème d'inversion avec le modèle d'avance augmentée pour générer une solution d'inversion; et à répéter de manière itérative les étapes (a) à (d) jusqu'à la convergence de la solution d'inversion. Pour chaque itération : l'apprentissage partiel des données et des autocodeurs de modèle commence avec des pondérations apprises à partir d'une itération immédiatement précédente; et la résolution du problème d'inversion commence avec des super-paramètres provenant de l'itération précédente.