用于低速异常体稀疏初至成像的走时Transformer残差U-Net

《Journal of Applied Geophysics》：Travel-Time Transformer Residual U-Net for sparse first-arrival imaging of low-velocity anomalies

　　

• •
  Travel-Time Transformer Residual U-Net 将144个走时映射为50 × 50的速度场。
• •
  全局注意力机制在稀疏边界观测条件下改善了定位能力。
• •
  含353,581个参数的模型在三项匹配的神经网络基线方法中表现更优。
• •
  复杂形状与缺失路径测试量化了泛化能力和鲁棒性。
• •
  可控室内实验实现了单孔IoU值高达0.915。

引言

初至走时成像用于在波形质量、可达性和采集时间不支持密集地震勘探时推断内部速度变化。深埋洞室的动态层析成像展示了在病态地下传感器分布下重建速度变化的工程价值（Xiao等人，2026）。在混凝土构件和实验室尺度的透射测试中，震源和检波器的放置通常仅限于可接近的边界位置（Alqurashi等人，2025）。初至波是比较稳定的可观测量，适用于重复筛查，但少量的透射路径提供的空间约束较弱。因此，局部疏松区域、空洞和以裂隙为主的区域可能会被模糊、位移或合并，尤其是在多个异常体扰动了相似的路径组时尤为明显。

经典走时层析成像通过对离散化灵敏度算子进行代数迭代、最小二乘和正则化来估计慢度（Gordon等人，1970；Virieux和Operto，2009；Arridge等人，2019）。Tikhonov光滑性正则化可以稳定反演问题，但可能抑制高对比度界面。保边正则化和稀疏多尺度正则化方法改善了边界恢复效果，尽管其性能仍受采集覆盖范围和所选先验的制约（Sun和Zhang，2016；Zhang和Zhang，2017）。基于程函方程的伴随态公式可以在不显式生成射线路径或存储大型灵敏度矩阵的情况下计算面波走时梯度（Lei等人，2025）。集成卡尔曼反演结合神经网络参数化和降分辨率正演建模，为高效走时反演和不确定性量化提供了替代途径（Li等人，2025）。这些进展保留了物理可解释性，但在极为稀疏的边界布局下，重复反演仍对正则化和路径几何敏感。

数据驱动反演学习观测量与模型参数之间的统计映射关系。编码器-解码器网络已被应用于地震速度重建，包括InversionNet及其三维扩展（Wu和Lin，2020；Zeng等人，2022；Zhang和Gao，2022）。物理引导、自监督和生成方法可以减少波形反演中对标注数据或初始值的依赖（Dhara和Sen，2023；Li和Alkhalifah，2022；Yang和Ma，2023）。

近期的超声和阻抗成像研究解决了相关的反演瓶颈问题，但处于不同的阶段或使用不同的观测量。在信号分析阶段，因果膨胀网络可以自动化无损检测超声记录的分析（Mariani等人，2021），但不能重建内部速度场。混凝土超声层析成像的系统性综述记录了一系列透射、反射和图像增强方法，同时表明重建质量取决于采集配置和重建算法（Anoni等人，2024）。策略性测量线选择可以在保留传统迭代或反投影重建的同时减少混凝土透射层析的采集负担（Anoni等人，2025）；这优化了保留哪些测量数据，但并未从紧凑的初至矩阵学习直接的反演映射。近期的一项深度学习工作流程从已由合成孔径聚焦重建的三维体数据的二维切片中检测缺陷和埋设构件（Alqurashi等人，2025）；它改善了成像后的自动解释，而非从稀疏走时进行速度重建。电阻抗断层成像也从边界测量重建内部场，近期方法从正则化求解器到直接和混合深度网络不等（Dimas等人，2024）。其电压到电导率的正演算子、电极表示和目标属性与本文考虑的声学走时到慢度问题不同，因此那些架构和先验无法直接迁移。

因此，尚未解决的空白在于直接从极少量集成的声学测量中进行异常敏感的速度重建。大多数地震深度反演模型接收多炮波形或空间上更丰富的输入，而12 × 12的初至矩阵仅包含144个路径积分值用于一个包含2500个像素的50 × 50场。反演映射必须将响应于同一异常的远程源-接收器条目关联起来，但在池化之前的局部卷积仅提供间接的全局交互。此外，背景区域主导了输出网格，因此普通的像素损失可能会低估异常体范围和边界的重要性；仅在规则目标上训练会进一步限制向不规则或多异常体的迁移能力。

我们提出了一种紧凑的全局注意力U形编码器-解码器，带有深度可分离残差瓶颈模块，称为TT-ResUNet。在空间下采样之前，将自注意力机制（Vaswani等人，2017）应用于全部144个走时令牌，使每个源-接收器对都能与其他所有对进行交互。轻量级残差瓶颈和三个解码器跳跃融合保留了局部信息，而异常加权项、边缘项和结构相似性项则突出了异常体范围和边界形态。训练分布通过由相同程函方程正演求解器生成的不规则、细长、交错和多目标模型进行了增广。本研究做出三项贡献。首先，定义了一套可复现的固定对侧采集和正演建模工作流程，用于将稀疏初至波映射为速度图像。其次，结合全局令牌交互、353,581参数的空间解码器和异常感知优化，改善了精度-规模权衡。第三，使用三种训练种子、独立复杂几何体、噪声、随机路径损失、完整震源/检波器缺失、神经和传统基线方法以及可控室内测量来测试该映射。

章节摘要

采集几何与反演问题

二维域大小为 $0.50\times 0.50$ m，离散化为50 × 50的速度网格。12个震源位于近边界线 $x=0.02$ m上，位置为 $y=\mathrm{0.03,0.07},\dots ,0.47$ m。12个检波器位于对侧近边界线 $x=0.48$ m上，具有相同的 $y$ 坐标。相邻元素间距为0.04 m，震源和检波器线相距0.46 m。每个震源与所有检波器配对，产生144个初至走时，排列成矩阵 $\mathbf{T}\in {\mathbb{R}}^{12\times 12}$，其中行索引

留出的合成重建

图3展示了按预设规则选取的样本：在每个原始几何类别中选择IoU最接近中位数的预测结果。所显示的三个IoU值分别为0.778、0.757和0.659，而非近乎完美的示例。对于所选的seed-42检查点，0.6398是整个21,601例测试集的平均值，而非单个示例。IoU范围从0到0.9958，样本标准差为0.1835。1758个圆形、1950个矩形和17,893个组合

讨论

模型性能与架构。 TT-ResUNet在全场和异常敏感标准下均改善了精度-规模权衡。全局注意力在池化之前关联了走时条目，这对于一个异常体影响矩阵中分布各异的路径的情况非常有用。轻量级残差解码器随后利用局部特征和跳跃融合恢复空间结构。与原始ResUNet相比，该模型使用的参数约为其三分之一，降低了全场和

结论

本研究开发了TT-ResUNet，用于从144个初至走时直接重建50 × 50的速度场。该方法结合了全局所有源-接收器对的全局注意力、带有深度可分离残差瓶颈的轻量级U形编码器-解码器以及异常感知优化。其采集坐标、程函方程正演求解器、损失组件、数据划分和扰动方案均有明确定义。在三种训练种子下，该模型实现了IoU 0.6387 ±

CRediT作者贡献声明

董峻均：论文撰写 – 审阅与编辑、项目管理、方法论、概念构思。陈忠杰：指导、调查研究。裴中伟：论文撰写 – 审阅与编辑、论文撰写 – 原稿撰写、可视化、验证、指导、软件、方法论、调查研究、数据管理、概念构思。杨龙斌：资源、调查研究。

利益冲突声明

作者声明不存在已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。

董峻均|陈忠杰|裴中伟|杨龙斌