論文の概要: SeismicNet: Physics-informed neural networks for seismic wave modeling
in semi-infinite domain
- arxiv url: http://arxiv.org/abs/2210.14044v1
- Date: Tue, 25 Oct 2022 14:25:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:16:40.549938
- Title: SeismicNet: Physics-informed neural networks for seismic wave modeling
in semi-infinite domain
- Title（参考訳）: 準無限領域地震波モデリングのための物理インフォームニューラルネット
- Authors: Pu Ren, Chengping Rao, Hao Sun, Yang Liu
- Abstract要約: 半無限領域における地震波モデリングのための新しい物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
計算効率の面では、ネットワークのスケーラビリティと解の精度を向上させるために、時間領域分解による逐次訓練戦略を検討する。
提案したPINNモデルの性能を評価するために,様々な数値実験が実施されている。
- 参考スコア（独自算出の注目度）: 11.641708412097659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been an increasing interest in integrating physics knowledge and
machine learning for modeling dynamical systems. However, very limited studies
have been conducted on seismic wave modeling tasks. A critical challenge is
that these geophysical problems are typically defined in large domains (i.e.,
semi-infinite), which leads to high computational cost. In this paper, we
present a novel physics-informed neural network (PINN) model for seismic wave
modeling in semi-infinite domain without the nedd of labeled data. In specific,
the absorbing boundary condition is introduced into the network as a soft
regularizer for handling truncated boundaries. In terms of computational
efficiency, we consider a sequential training strategy via temporal domain
decomposition to improve the scalability of the network and solution accuracy.
Moreover, we design a novel surrogate modeling strategy for parametric loading,
which estimates the wave propagation in semin-infinite domain given the seismic
loading at different locations. Various numerical experiments have been
implemented to evaluate the performance of the proposed PINN model in the
context of forward modeling of seismic wave propagation. In particular, we
define diverse material distributions to test the versatility of this approach.
The results demonstrate excellent solution accuracy under distinctive
scenarios.
- Abstract（参考訳）: 力学系のモデリングに物理知識と機械学習を統合することへの関心が高まっている。
しかし, 地震波モデリングの課題について, 極めて限定的な研究がなされている。
重要な課題は、これらの物理問題は通常大きな領域(すなわち半無限領域)で定義され、高い計算コストをもたらすことである。
本稿では,ラベル付きデータのneddを必要とせず,半無限領域の地震波モデリングのための新しい物理インフォームニューラルネットワーク(pinn)モデルを提案する。
具体的には、遮断境界を処理するソフトレギュレータとして、吸収境界条件をネットワークに導入する。
計算効率の観点からは,ネットワークのスケーラビリティと解の精度を向上させるため,時間領域分解による逐次学習戦略を検討する。
さらに, 地震荷重が異なる場所にある場合, 半無限領域の波動伝搬を推定するパラメトリックローディングのための新しい代理モデリング手法を設計する。
地震波伝搬の前方モデリングの文脈において,提案するピンモデルの性能を評価するため,様々な数値実験を行った。
特に、このアプローチの汎用性をテストするために、多様な物質分布を定義する。
その結果, 特異なシナリオ下での解の精度は良好であった。
関連論文リスト
- Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。
バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
論文 参考訳（メタデータ） (2024-10-02T14:38:37Z) - Learning Spatiotemporal Dynamical Systems from Point Process Observations [7.381752536547389]
現在のニューラルネットワークベースのモデルアプローチは、時間と空間でランダムに収集されるデータに直面したときに不足する。
そこで我々は,このようなプロセス観察から効果的に学習できる新しい手法を開発した。
我々のモデルは、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現、そしてアモータライズされた変分推論の技法を統合している。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - Modeling Spatio-temporal Dynamical Systems with Neural Discrete Learning
and Levels-of-Experts [33.335735613579914]
本稿では,ビデオフレームなどの観測結果に基づいて,時間・動的システムの状態変化をモデル化し,推定することの課題に対処する。
本稿では、一般的な物理プロセスの法則をデータ駆動方式で捉えるために、ユニバーサルエキスパートモジュール、すなわち光フロー推定コンポーネントを提案する。
我々は、既存のSOTAベースラインと比較して、提案フレームワークが大きなパフォーマンスマージンを達成することを示すため、広範囲な実験と改善を実施している。
論文 参考訳（メタデータ） (2024-02-06T06:27:07Z) - Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳（メタデータ） (2023-12-14T23:53:25Z) - Physics-informed neural network for seismic wave inversion in layered
semi-infinite domain [11.641708412097659]
地球の地下の物質分布を推定することは地震学と地震工学において難しい課題である。
物理インフォームドニューラルネットワーク(PINN)の最近の進歩は、地震インバージョンに新たな光を当てている。
本稿では,層状(1D)半無限領域における地震波インバージョンのためのPINNフレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-09T03:30:06Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。
グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。
実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文 参考訳（メタデータ） (2021-10-14T14:05:19Z) - Effects of boundary conditions in fully convolutional networks for
learning spatio-temporal dynamics [0.0]
本稿では,境界条件を課すためのいくつかの戦略について検討する。
最適なパディング戦略の選択は、データセマンティクスに直接関連している。
追加の入力空間コンテキストや明示的な物理に基づく規則を含めることで、特に多くの繰り返しに対して境界の扱いがより良くなる。
論文 参考訳（メタデータ） (2021-06-21T14:58:41Z) - Dynamic Neural Networks: A Survey [34.30356864359789]
動的ニューラルネットワークは、ディープラーニングにおける新たな研究トピックである。
動的ネットワークは、それらの構造やパラメータを異なる入力に適応させることができ、精度、計算効率、適応性などの点で顕著な利点をもたらす。
論文 参考訳（メタデータ） (2021-02-09T16:02:00Z) - Learning the ground state of a non-stoquastic quantum Hamiltonian in a
rugged neural network landscape [0.0]
ニューラルネットワークに基づく普遍的変動波動関数のクラスについて検討する。
特に,本稿では,ニューラルネットワークの表現率とモンテカルロサンプリングが一次制限因子ではないことを示す。
論文 参考訳（メタデータ） (2020-11-23T05:25:47Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。