地震正演是已知地下地质信息模拟地震响应特征的过程，是用于高精度成像的逆时偏移技术和高精度速度建模的波形反演技术的核心。地震勘探正面临着复杂地表等挑战，波动方程正演技术是解决这些挑战的有力工具。波动方程是一种偏微分方程（PDE），难以求得其解析解，作为替代，研究者通常使用有限差分法、有限元法和伪谱法等方法求取其数值解，但这些方法往往面临着计算效率和计算精度的矛盾。需要一种技术能够在保持计算精度的同时，提升效率。
随着人工智能技术的发展，机器学习算法在图像、语音、文本的识别与处理领域首先取得成功应用，并逐步开始为工业生产提供帮助。训练神经网络的本质是尽可能逼近一个函数，这和数值求解偏微分方程的本质是一样的，且神经网络求解复杂非线性问题的能力，为解决偏微分方程的非线性问题提供了可能。AI-PDE方法是一类使用人工智能算法求解偏微分方程的方法，已在流体动力学上实现应用。本文提出一种使用AI-PDE类人工智能算法的地震数据正演模拟方法，以一次波为输入，输出一阶层间多次波。本文使用的神经网络在求解时不需要已知偏微分方程、不受离散网格尺寸影响，条件更改时不需要重新训练，且与其他方法相比，求解速度最快，准确率最高，具有很大的应用前景。本文使用两个不同的Loss Function，其中LPLoss1能够较为准确的模拟振幅，但模拟相位的准确性不足；LPLoss2能够较为准确的模拟相位，但保幅能力较弱。本文结合他们的优点，用两种Loss Function分别对同一组训练集进行训练，使训练后的网络兼顾相位与振幅的准确性。本文在水平层状介质的一次波上进行实验，模拟出较为准确的一阶层间多次波，同时提高了正演的效率。

地震正演,AI-PDE,层间多次波