論文の概要: Wave simulation in non-smooth media by PINN with quadratic neural
network and PML condition
- arxiv url: http://arxiv.org/abs/2208.08276v1
- Date: Tue, 16 Aug 2022 13:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:33:13.970592
- Title: Wave simulation in non-smooth media by PINN with quadratic neural
network and PML condition
- Title（参考訳）: 二次ニューラルネットワークとpml条件を有するpinnによる非スムース媒質中の波動シミュレーション
- Authors: Yanqi Wu, Hossein S. Aghamiry, Stephane Operto, Jianwei Ma
- Abstract要約: 最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。
本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。
PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
- 参考スコア（独自算出の注目度）: 2.7651063843287718
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frequency-domain simulation of seismic waves plays an important role in
seismic inversion, but it remains challenging in large models. The recently
proposed physics-informed neural network (PINN), as an effective deep learning
method, has achieved successful applications in solving a wide range of partial
differential equations (PDEs), and there is still room for improvement on this
front. For example, PINN can lead to inaccurate solutions when PDE coefficients
are non-smooth and describe structurally-complex media. In this paper, we solve
the acoustic and visco-acoustic scattered-field wave equation in the frequency
domain with PINN instead of the wave equation to remove source singularity. We
first illustrate that non-smooth velocity models lead to inaccurate wavefields
when no boundary conditions are implemented in the loss function. Then, we add
the perfectly matched layer (PML) conditions in the loss function of PINN and
design a quadratic neural network to overcome the detrimental effects of
non-smooth models in PINN. We show that PML and quadratic neurons improve the
results as well as attenuation and discuss the reason for this improvement. We
also illustrate that a network trained during a wavefield simulation can be
used to pre-train the neural network of another wavefield simulation after
PDE-coefficient alteration and improve the convergence speed accordingly. This
pre-training strategy should find application in iterative full waveform
inversion (FWI) and time-lag target-oriented imaging when the model
perturbation between two consecutive iterations or two consecutive experiments
can be small.
- Abstract（参考訳）: 地震波の周波数領域シミュレーションは, 地震インバージョンにおいて重要な役割を担っているが, 大規模モデルでは依然として困難である。
最近提案された物理インフォームドニューラルネットワーク(PINN)は、効果的なディープラーニング手法であり、幅広い偏微分方程式(PDE)の解法に成功しており、この分野ではまだ改善の余地がある。
例えば、PINNはPDE係数が非滑らかなときに不正確な解を導き、構造的に複雑な媒体を記述する。
本稿では,波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解く。
まず, 損失関数に境界条件が実装されない場合, 非スムース速度モデルが不正確な波動場をもたらすことを示す。
次に、PINNの損失関数に完全整合層(PML)条件を加え、PINNにおける非滑らかモデルによる有害な効果を克服する二次ニューラルネットワークを設計する。
PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
また, ウェーブフィールドシミュレーション中にトレーニングされたネットワークを用いて, pde-co efficient変質後の別のウェーブフィールドシミュレーションのニューラルネットワークを事前学習し, 収束速度を向上させることを実証する。
この事前学習戦略は、2回の連続または2回の連続実験の間のモデル摂動が小さくなると、反復完全波形インバージョン(FWI)と時間ラグ目標画像に応用できる。
関連論文リスト
- An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、物理学を微分方程式として利用するディープラーニングモデルのクラスである。
単一摂動微分方程式を解くために,効率的なウェーブレットベースPINNモデルを提案する。
このアーキテクチャにより、トレーニングプロセスはウェーブレット空間内のソリューションを探索することができ、プロセスがより速く、より正確になる。
論文 参考訳（メタデータ） (2024-09-18T10:01:37Z) - Data-driven localized waves and parameter discovery in the massive
Thirring model via extended physics-informed neural networks with interface
zones [3.522950356329991]
深層学習を用いた大規模Thiring(MT)モデルにおいて,データ駆動型局所波動解とパラメータ発見について検討した。
高次局所波解に対しては、拡張PINN(XPINN)とドメイン分解を用いる。
実験結果から, XPINNsの改良により, 収束速度が速く, 計算の複雑さを低減できることがわかった。
論文 参考訳（メタデータ） (2023-09-29T13:50:32Z) - Error Analysis of Physics-Informed Neural Networks for Approximating
Dynamic PDEs of Second Order in Time [1.123111111659464]
物理インフォームドニューラルネットワーク(PINN)による2次動的偏微分方程式(PDE)の近似について検討する。
分析の結果,2つの隠れ層と$tanh$アクティベーション関数を持つフィードフォワードニューラルネットワークでは,トレーニング損失とトレーニングデータポイント数によって,解場のPINN近似誤差を効果的にバウンドすることができることがわかった。
本稿では, 波動方程式, Sine-Gordon 方程式, 線形エラストダイナミック方程式に対する新しい PINN アルゴリズムを用いた数値実験を行った。
論文 参考訳（メタデータ） (2023-03-22T00:51:11Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Physics-Informed Neural Network Method for Parabolic Differential
Equations with Sharply Perturbed Initial Conditions [68.8204255655161]
急激な摂動初期条件を持つパラボラ問題に対する物理インフォームドニューラルネットワーク(PINN)モデルを開発した。
ADE解の局所的な大きな勾配は(PINNでよく見られる)ラテンハイパーキューブで方程式の残余の高効率なサンプリングを行う。
本稿では,他の方法により選択した量よりも精度の高いPINNソリューションを生成する損失関数における重みの基準を提案する。
論文 参考訳（メタデータ） (2022-08-18T05:00:24Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳（メタデータ） (2022-08-02T18:27:13Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Learning Physics-Informed Neural Networks without Stacked
Back-propagation [82.26566759276105]
我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。
特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。
実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
論文 参考訳（メタデータ） (2022-02-18T18:07:54Z) - PINNup: Robust neural network wavefield solutions using frequency
upscaling and neuron splitting [0.0]
本稿では,周波数アップスケーリングとニューロン分割を用いた新しいPINNの実装を提案する。
提案したPINNは収束と精度において顕著な優位性を示す。
2層モデルでニューロンベースの高周波波動場解が得られる。
論文 参考訳（メタデータ） (2021-09-29T16:35:50Z) - Physics-Informed Neural Network Method for Solving One-Dimensional
Advection Equation Using PyTorch [0.0]
PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。
標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。
テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
論文 参考訳（メタデータ） (2021-03-15T05:39:17Z)
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。