論文の概要: Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation

• arxiv url: http://arxiv.org/abs/2304.10242v1
• Date: Thu, 20 Apr 2023 12:01:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-21 13:43:20.954382
• Title: Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation
• Title（参考訳）: フーリエニューラルオペレーターサーロゲートモデルによる3次元地震波の伝播予測
• Authors: Fanny Lehmann, Filippo Gatti, Micha\"el Bertin, Didier Clouteau
• Abstract要約: 我々は、SEM3Dという高忠実度シミュレーションコードを用いて、3万の異なる地質が生成する地動の広範なデータベースを構築している。 フーリエ・ニューラル・オペレーターは,基礎となる地質が大きな不均一性を示す場合でも,正確な接地運動を実現できることを示す。 データベースの一般化により,地質学的特徴が地盤運動に与える影響を評価するために,我々のモデルが利用できると信じている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the recent rise of neural operators, scientific machine learning offers new solutions to quantify uncertainties associated with high-fidelity numerical simulations. Traditional neural networks, such as Convolutional Neural Networks (CNN) or Physics-Informed Neural Networks (PINN), are restricted to the prediction of solutions in a predefined configuration. With neural operators, one can learn the general solution of Partial Differential Equations, such as the elastic wave equation, with varying parameters. There have been very few applications of neural operators in seismology. All of them were limited to two-dimensional settings, although the importance of three-dimensional (3D) effects is well known. In this work, we apply the Fourier Neural Operator (FNO) to predict ground motion time series from a 3D geological description. We used a high-fidelity simulation code, SEM3D, to build an extensive database of ground motions generated by 30,000 different geologies. With this database, we show that the FNO can produce accurate ground motion even when the underlying geology exhibits large heterogeneities. Intensity measures at moderate and large periods are especially well reproduced. We present the first seismological application of Fourier Neural Operators in 3D. Thanks to the generalizability of our database, we believe that our model can be used to assess the influence of geological features such as sedimentary basins on ground motion, which is paramount to evaluating site effects.
• Abstract（参考訳）: 近年のニューラルネットワークの普及に伴い、科学的機械学習は高忠実度数値シミュレーションに関連する不確かさを定量化する新しいソリューションを提供する。 畳み込みニューラルネットワーク(CNN)や物理情報ニューラルネットワーク(PINN)といった従来のニューラルネットワークは、事前に定義された構成のソリューションの予測に制限される。 ニューラル作用素を用いて、弾性波動方程式のような偏微分方程式の一般解を様々なパラメータで学習することができる。 地震学におけるニューラル作用素の応用はほとんどない。 いずれも2次元に制限されていたが、3次元効果の重要性はよく知られている。 本研究では, フーリエ・ニューラル・オペレーター(FNO)を用いて3次元地質学的記述から地動時系列を推定する。 高忠実度シミュレーションコードであるsem3dを用いて3万の異なる地質から生成された地動の広範なデータベースを構築した。 このデータベースを用いて,基礎となる地質学が大きな不均一性を示す場合でも,FNOは正確な基底運動を生成可能であることを示す。 中程度から大規模までの強度測定は特によく再現されている。 フーリエニューラル演算子の3次元地震学応用について述べる。 データベースの汎用性により,堆積盆地などの地質学的特徴が地盤運動に与える影響を評価できる可能性が示唆された。

関連論文リスト

• Transport-Embedded Neural Architecture: Redefining the Landscape of physics aware neural models in fluid mechanics [0.0]
  二周期領域上で定義される物理問題であるTaylor-Green vortexは、標準物理インフォームドニューラルネットワークと我々のモデルの両方の性能を評価するベンチマークとして使用される。 その結果,標準物理インフォームドニューラルネットワークは解の正確な予測に失敗し,初期条件を時間的に返却するだけでなく,物理の時間的変化をうまく捉えていることがわかった。
  論文  参考訳（メタデータ） (2024-10-05T10:32:51Z)
• Multiple-Input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics [0.0]
  この研究は、材料特性を表す構造化3Dフィールドを扱うためのMultiple-Input Fourier Neural Operator (MIFNO)を導入している。 MIFNOは、地球の地殻における弾性波伝搬の問題に適用される。 HEMEWS-3Dデータベース上で, 異種領域の地震シミュレーションを30万回行った。
  論文  参考訳（メタデータ） (2024-04-15T20:07:44Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Three-dimensional granular flow simulation using graph neural network-based learned simulator [2.153852088624324]
  グラフニューラルネットワーク(GNN)を用いて粒状フローのシミュレータを開発する。 シミュレータは、様々なアスペクト比でカラム崩壊の全体的な挙動を再現する。 GNSの速度は300倍の高忠実度数値シミュレータを上回る。
  論文  参考訳（メタデータ） (2023-11-13T15:54:09Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Boundary Graph Neural Networks for 3D Simulations [6.041255257177852]
  バウンダリグラフニューラルネットワーク(BGNN)は、ホッパー、回転ドラム、ミキサーの複雑な3次元粒状フロープロセスで試験される。 BGNNは、何十万ものシミュレーションタイムステップに対して、シミュレーションの不確実性の中で3Dグラニュラーフローを正確に再現することができる。
  論文  参考訳（メタデータ） (2021-06-21T17:56:07Z)

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。