論文の概要: Physics-informed neural network for seismic wave inversion in layered semi-infinite domain

• arxiv url: http://arxiv.org/abs/2305.05150v1
• Date: Tue, 9 May 2023 03:30:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 19:50:51.782086
• Title: Physics-informed neural network for seismic wave inversion in layered semi-infinite domain
• Title（参考訳）: 層状半無限領域における地震波インバージョンのための物理インフォームニューラルネットワーク
• Authors: Pu Ren, Chengping Rao, Hao Sun, Yang Liu
• Abstract要約: 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。
• 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: Estimating the material distribution of Earth's subsurface is a challenging task in seismology and earthquake engineering. The recent development of physics-informed neural network (PINN) has shed new light on seismic inversion. In this paper, we present a PINN framework for seismic wave inversion in layered (1D) semi-infinite domain. The absorbing boundary condition is incorporated into the network as a soft regularizer for avoiding excessive computation. In specific, we design a lightweight network to learn the unknown material distribution and a deep neural network to approximate solution variables. The entire network is end-to-end and constrained by both sparse measurement data and the underlying physical laws (i.e., governing equations and initial/boundary conditions). Various experiments have been conducted to validate the effectiveness of our proposed approach for inverse modeling of seismic wave propagation in 1D semi-infinite domain.
• Abstract（参考訳）: 地球地下の物質分布の推定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)の最近の発展により、地震インバージョンに新たな光が放たれた。 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。 吸収境界条件は、過大な計算を避けるためのソフトレギュレータとしてネットワークに組み込まれる。 具体的には,未知の物質分布を学習する軽量ネットワークと,解変数を近似するディープニューラルネットワークを設計した。 ネットワーク全体がエンドツーエンドであり、スパース測定データと基礎となる物理法則(すなわち、方程式と初期/境界条件)によって制約される。 1次元半無限領域における地震波伝播の逆モデリングに対する提案手法の有効性を検証するため,様々な実験を行った。

関連論文リスト

• 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)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain [11.641708412097659]
  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。
  論文  参考訳（メタデータ） (2022-10-25T14:25:07Z)
• Lagrangian Density Space-Time Deep Neural Network Topology [0.0]
  我々は,LDDNN(Lagrangian Density Space-Time Deep Neural Networks)トポロジを提案する。 基礎となる物理科学が支配する現象の力学を予測するために、教師なしの訓練と学習を行う資格がある。 本稿では、ラグランジアン領域とハミルトン領域におけるニューラルネットワークの統計的物理解釈について論じる。
  論文  参考訳（メタデータ） (2022-06-30T03:29:35Z)
• On the Neural Tangent Kernel Analysis of Randomly Pruned Neural Networks [91.3755431537592]
  ニューラルネットワークのニューラルカーネル(NTK)に重みのランダムプルーニングが及ぼす影響について検討する。 特に、この研究は、完全に接続されたニューラルネットワークとそのランダムに切断されたバージョン間のNTKの等価性を確立する。
  論文  参考訳（メタデータ） (2022-03-27T15:22:19Z)
• Physics-informed ConvNet: Learning Physical Field from a Shallow Neural Network [0.180476943513092]
  マルチ物理システムのモデル化と予測は、避けられないデータ不足とノイズのために依然として課題である。 物理インフォームド・コンボリューション・ネットワーク(PICN)と呼ばれる新しいフレームワークは、CNNの観点から推奨されている。 PICNは物理インフォームド機械学習において、代替のニューラルネットワークソルバとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-26T14:35:58Z)
• 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)
• 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)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)
• Understanding and mitigating gradient pathologies in physics-informed neural networks [2.1485350418225244]
  この研究は、物理システムの結果を予測し、ノイズの多いデータから隠れた物理を発見するための物理情報ニューラルネットワークの有効性に焦点を当てる。 本稿では,モデル学習中の勾配統計を利用して,複合損失関数の異なる項間の相互作用のバランスをとる学習速度アニーリングアルゴリズムを提案する。 また、そのような勾配に耐性のある新しいニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-01-13T21:23:49Z)

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。