Применение машинного обучения для подавления численной дисперсии при сейсмическом моделировании

Численное моделирование требует большого объема вычислительных ресурсов. В этом смысле оно является одной из самых тяжелых процедур сейсмической обработки. Обычно создание набора сейсмических данных требует приблизительно $10^8$ ядро-часов на типичном вычислительном кластере. Такие высокие требования возникают из-за необходимости использовать в расчетах пространственные сетки с мелким шагом с целью уменьшения численной дисперсии. В этой работе представлен новый подход к сейсмическому моделированию, в котором волновые поля для всех источников моделируются на грубой сетке с относительно большим шагом по пространству. Небольшое количество синтетических сейсмограмм рассчитывается на сетке с шагом по пространству, достаточным для получения корректного результата моделирования. Эти данные используется для обучения искусственной нейронной сети (ИНС). Обученная ИНС используется далее для уменьшения численной дисперсии для волновых полей, рассчитанных на грубой сетке.
Работа выполнена при поддержке Математического Центра в Академгородке, соглашение с Министерством науки и высшего образования Российской Федерации номер 075-15-2019-1613.