深度学习优化算法在全波形反演中的性能对比

摘要

传统优化算法在求解全波形反演(FWI)时常面临局部极小值、对初始模型高度敏感以及收敛速度较慢等问题，制约了反演的稳定性与成像精度。针对上述问题，系统分析并比较深度学习领域中常用的多种自适应优化算法，包括随机梯度下降法(SGD)、Adam、Adagrad、RMSProp和Nadam等，并通过二维地震数据对比试验评估其在FWI中的收敛特性与成像效果。结果表明，自适应矩估计算法(如RAdam和NAdam)在收敛速度、稳定性及反演成像质量方面具有明显优势；而Adagrad在反演精度和迭代稳定性上表现较弱。合理选择深度学习优化策略对于提升FWI的反演稳定性和成像分辨率具有重要意义，可为复杂地下结构条件下的全波形反演提供新的方法支持与理论参考。

关键词

全波形反演 / 深度学习 / 优化算法 / 自动微分 / 地震勘探