Fugu-MT 論文翻訳(概要): GPR Full-Waveform Inversion through Adaptive Filtering of Model Parameters and Gradients Using CNN

論文の概要: GPR Full-Waveform Inversion through Adaptive Filtering of Model Parameters and Gradients Using CNN

arxiv url: http://arxiv.org/abs/2410.08568v1
Date: Fri, 11 Oct 2024 06:49:05 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 23:04:57.445545
Title: GPR Full-Waveform Inversion through Adaptive Filtering of Model Parameters and Gradients Using CNN
Title（参考訳）: CNNを用いたモデルパラメータと勾配の適応フィルタによるGPRフルウェーブフォームインバージョン
Authors: Peng Jiang, Kun Wang, Jiaxing Wang, Zeliang Feng, Shengjie Qiao, Runhuai Deng, Fengkai Zhang,
Abstract要約: モデルパラメータと勾配を適応的にフィルタするために、組み込み畳み込みニューラルネットワーク(CNN)を組み込んだ新しいフルウェーブフォーム・インバージョン・フレームワークを導入する。実験により、フォワード計算中にモデルパラメータをフィルタリングし、バックプロパゲーション時にモデル勾配が最終的に高品質な反転結果をもたらすことが示されている。
参考スコア（独自算出の注目度）: 11.498712639652279
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: GPR full-waveform inversion optimizes the subsurface property model iteratively to match the entire waveform information. However, the model gradients derived from wavefield continuation often contain errors, such as ghost values and excessively large values at transmitter and receiver points. Furthermore, models updated based on these gradients frequently exhibit unclear characterization of anomalous bodies or false anomalies, making it challenging to obtain accurate inversion results. To address these issues, we introduced a novel full-waveform inversion (FWI) framework that incorporates an embedded convolutional neural network (CNN) to adaptively filter model parameters and gradients. Specifically, we embedded the CNN module before the forward modeling process and ensured the entire FWI process remains differentiable. This design leverages the auto-grad tool of the deep learning library, allowing model values to pass through the CNN module during forward computation and model gradients to pass through the CNN module during backpropagation. Experiments have shown that filtering the model parameters during forward computation and the model gradients during backpropagation can ultimately yield high-quality inversion results.
Abstract（参考訳）: GPRフルウェーブフォームインバージョンは、地下特性モデルを反復的に最適化し、波形情報全体と一致させる。しかし、波動場継続から導かれるモデル勾配は、ゴースト値や送信機や受信機における過大な値などの誤差を含むことが多い。さらに、これらの勾配に基づいて更新されたモデルでは、しばしば異常な体や偽の異常の明確な特徴が示され、正確な逆転結果を得るのが困難である。これらの問題に対処するために、モデルパラメータと勾配を適応的にフィルタリングするために、組み込み畳み込みニューラルネットワーク(CNN)を組み込んだ、新しいフルウェーブフォーム・インバージョン(FWI)フレームワークを導入しました。具体的には、フォワードモデリングプロセスの前にCNNモジュールを組み込んで、FWIプロセス全体を差別化できるようにします。この設計では、ディープラーニングライブラリのオートグレードツールを活用し、前方計算中にモデル値がCNNモジュールを通過し、バックプロパゲーション時にモデル勾配がCNNモジュールを通過することができる。実験により、フォワード計算中にモデルパラメータをフィルタリングし、バックプロパゲーション時にモデル勾配が最終的に高品質な反転結果をもたらすことが示されている。

関連論文リスト

Physics-guided Full Waveform Inversion using Encoder-Solver Convolutional Neural Networks [7.56372030029358]
フルウェーブフォーム・インバージョン(Full Waveform Inversion, FWI)は、与えられた領域における波動速度分布を推定する逆問題である。我々は畳み込みニューラルネットワークに基づくエンコーダ-ソルバ事前条件の学習プロセスを開発する。高周波データを用いた2次元物理モデルを用いてFWI問題の解法を実証する。
論文参考訳（メタデータ） (2024-05-27T23:03:21Z)
Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
論文参考訳（メタデータ） (2023-11-29T19:11:40Z)
Conditional variational autoencoder with Gaussian process regression recognition for parametric models [0.0]
本稿では,ガウス過程回帰認識(CVAE-GPRR)を用いたCVAEの枠組みを提案する。 CVAE-GPRRはCVAEと同様の精度を達成できるが、パラメータは少ない。 CVAE-GPRRはCVAEの過適合問題を緩和する可能性が示唆された。
論文参考訳（メタデータ） (2023-05-16T17:24:28Z)
VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2023-04-03T13:13:19Z)
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)
Wave simulation in non-smooth media by PINN with quadratic neural network and PML condition [2.7651063843287718]
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。
論文参考訳（メタデータ） (2022-08-16T13:29:01Z)
Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文参考訳（メタデータ） (2022-03-23T12:52:49Z)
GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
論文参考訳（メタデータ） (2022-03-22T17:06:07Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Deep Gaussian Processes for Biogeophysical Parameter Retrieval and Model Inversion [14.097477944789484]
本稿では,生物地球物理モデルインバージョンにおける深部ガウス過程 (DGP) の利用について紹介する。浅いGPモデルとは異なり、DGPは複雑な(モジュラーで階層的な)プロセスを説明し、大きなデータセットによくスケールする効率的なソリューションを提供する。
論文参考訳（メタデータ） (2021-04-16T10:42:01Z)
Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。