論文の概要: Physics-Consistent Data-driven Waveform Inversion with Adaptive Data Augmentation

• arxiv url: http://arxiv.org/abs/2009.01807v1
• Date: Thu, 3 Sep 2020 17:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:27:27.023409
• Title: Physics-Consistent Data-driven Waveform Inversion with Adaptive Data Augmentation
• Title（参考訳）: 適応データ拡張を用いた物理整合データ駆動波形インバージョン
• Authors: Ren\'an Rojas-G\'omez, Jihyun Yang, Youzuo Lin, James Theiler, Brendt Wohlberg
• Abstract要約: 我々は、FWI(Full-waveform Inversion)を解くための新しいハイブリッド計算手法を開発した。 トレーニングセットの表現性を向上するデータ拡張戦略を開発する。 本研究では, カルフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性地震波形データに本手法を適用した。
• 参考スコア（独自算出の注目度）: 12.564534712461331
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Seismic full-waveform inversion (FWI) is a nonlinear computational imaging technique that can provide detailed estimates of subsurface geophysical properties. Solving the FWI problem can be challenging due to its ill-posedness and high computational cost. In this work, we develop a new hybrid computational approach to solve FWI that combines physics-based models with data-driven methodologies. In particular, we develop a data augmentation strategy that can not only improve the representativity of the training set but also incorporate important governing physics into the training process and therefore improve the inversion accuracy. To validate the performance, we apply our method to synthetic elastic seismic waveform data generated from a subsurface geologic model built on a carbon sequestration site at Kimberlina, California. We compare our physics-consistent data-driven inversion method to both purely physics-based and purely data-driven approaches and observe that our method yields higher accuracy and greater generalization ability.
• Abstract（参考訳）: 地震波フルウェーブフォームインバージョン (FWI) は、地下物理特性の詳細な推定を行う非線形計算イメージング技術である。 FWI問題を解くことは、その不備と高い計算コストのために困難である。 本研究では,物理モデルとデータ駆動手法を組み合わせた新しいハイブリッド計算手法を開発した。 特に、トレーニングセットの表現性を向上するだけでなく、重要な制御物理をトレーニングプロセスに組み込むことで、インバージョン精度を向上させるデータ拡張戦略を開発する。 本手法の有効性を検証するため, カリフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性弾性波動データに適用した。 物理一貫性のあるデータ駆動逆変換法と純粋に物理ベースと純粋にデータ駆動の両手法を比較し、この手法がより精度が高く一般化能力が高いことを観察する。

関連論文リスト

• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Elastic Full-Waveform Inversion : How the physics of problem improves data-driven techniques? [0.0]
  フルウェーブフォーム・インバージョン(Full-Waveform Inversion, FWI)は、非線形反復型地震探査技術である。 FWIは地下物理特性の詳細な推定を行うことができる。 FWIの強い非線形性は、局所ミニマにおける最適化をトラップすることができる。 本稿では、時間調和FWIの解法を提案し、純粋なデータ駆動手法と比較して精度を向上させる。
  論文  参考訳（メタデータ） (2024-06-04T11:30:40Z)
• A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
  フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。 物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
  論文  参考訳（メタデータ） (2024-01-06T06:09:05Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Calibrating constitutive models with full-field data via physics informed neural networks [0.0]
  実フィールド変位データに基づくモデルパラメータ化の発見のための物理インフォームド深層学習フレームワークを提案する。 我々は、ニューラルネットワークの予測に物理的な制約を課すために、強い形式ではなく、支配方程式の弱い形式で作業する。 我々は、インフォメーション機械学習が実現可能な技術であり、モデルのキャリブレーションにフルフィールド実験データをどのように利用するかというパラダイムを変える可能性があることを実証した。
  論文  参考訳（メタデータ） (2022-03-30T18:07:44Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)
• Variational Autoencoding of PDE Inverse Problems [12.716429755564821]
  現代の機械学習は、事前の知識と物理法則に関わる問題を回避できる。 この作業では、メカニスティックモデルをフレキシブルなデータ駆動サロゲートに折り畳み、物理的に構造化されたデコーダネットワークに到達する。 我々はPDE問題の変分形式を採用し,局所近似をモデルベースデータ拡張の形式として導入する。
  論文  参考訳（メタデータ） (2020-06-28T16:17:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。