論文の概要: 2D Basement Relief Inversion using Sparse Regularization

• arxiv url: http://arxiv.org/abs/2410.14942v1
• Date: Sat, 19 Oct 2024 02:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:50.250003
• Title: 2D Basement Relief Inversion using Sparse Regularization
• Title（参考訳）: スパース正規化を用いた2次元ベースメントリリーフインバージョン
• Authors: Francisco Márcio Barboza, Arthur Anthony da Cunha Romão E Silva, Bruno Motta de Carvalho,
• Abstract要約: ベースメントレリーフ重力計は地球物理学、特に石油探査と鉱物探査に不可欠である。 逆問題はしばしば悪用されるため、小さなデータ変更は大きな解のバリエーションをもたらす可能性がある。 本研究では, D4ウェーブレットを用いたSmoothness Constraints, Total Variation, Discrete Cosine Transform (DCT), Discrete Wavelet Transform (DWT) などの重力インバージョンに適用した正規化手法を比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Basement relief gravimetry is crucial in geophysics, especially for oil exploration and mineral prospecting. It involves solving an inverse problem to infer geological model parameters from observed data. The model represents basement relief with constant-density prisms, and the data reflect gravitational anomalies from these prisms. Inverse problems are often ill-posed, meaning small data changes can lead to large solution variations. To mitigate this, regularization techniques like Tikhonov's are used to stabilize solutions. This study compares regularization methods applied to gravimetric inversion, including Smoothness Constraints, Total Variation, Discrete Cosine Transform (DCT), and Discrete Wavelet Transform (DWT) using Daubechies D4 wavelets. Optimization, particularly with Genetic Algorithms (GA), is used to find prism depths that best match observed anomalies. GA, inspired by natural selection, selects the best solutions to minimize the objective function. The results, evaluated through fit metrics and error analysis, show the effectiveness of all regularization methods and GA, with the Smoothness constraint performing best in synthetic models. For the real data model, all methods performed similarly.
• Abstract（参考訳）: ベースメントレリーフ重力計は地球物理学、特に石油探査と鉱物探査に不可欠である。 これは、観測データから地質モデルパラメータを推測するために逆問題を解決することを含む。 このモデルは、一定の密度のプリズムを持つ地下のレリーフを表し、データはこれらのプリズムからの重力異常を反映する。 逆問題はしばしば悪用されるため、小さなデータ変更は大きな解のバリエーションをもたらす可能性がある。 これを緩和するために、ティホノフのような正則化技法が解を安定化するために用いられる。 本研究では, D4ウェーブレットを用いたSmoothness Constraints, Total Variation, Discrete Cosine Transform (DCT), Discrete Wavelet Transform (DWT) などの重力インバージョンに適用した正規化手法を比較した。 最適化(特にGA)は、観測された異常に最もよく一致するプリズム深さを見つけるために用いられる。 GAは自然選択にインスパイアされ、目的関数を最小化する最良の解を選択する。 適合度測定値と誤差解析値を用いて評価した結果,すべての正規化手法とGAの有効性が示され,Smoothnessの制約は合成モデルにおいて最良である。 実際のデータモデルでは、すべてのメソッドが同じように実行されました。

関連論文リスト

• ND-SDF: Learning Normal Deflection Fields for High-Fidelity Indoor Reconstruction [50.07671826433922]
  微妙な幾何を同時に復元し、異なる特徴を持つ領域をまたいだ滑らかさを保つことは自明ではない。 そこで我々は,ND-SDFを提案する。ND-SDFは,通常のシーンとそれ以前のシーンの角偏差を表す正規偏向場を学習する。 本手法は, 壁面や床面などのスムーズなテクスチャ構造を得るだけでなく, 複雑な構造の幾何学的詳細も保存する。
  論文  参考訳（メタデータ） (2024-08-22T17:59:01Z)
• Weak neural variational inference for solving Bayesian inverse problems without forward models: applications in elastography [1.6385815610837167]
  偏微分方程式(PDE)に基づく高次元ベイズ逆問題に対する新しいデータ駆動手法を提案する。 Weak Neural Variational Inference (WNVI) 法は、物理モデルから導出される仮想的な観測で実測を補完する。 我々は、WNVIがブラックボックスのような(非線形でない)前方問題の繰り返し解決に依存する従来の方法よりも正確かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2024-07-30T09:46:03Z)
• Stochastic full waveform inversion with deep generative prior for uncertainty quantification [0.0]
  フルウェーブフォーム・インバージョン(FWI)は非線形でしばしば不均一な逆問題を解決する。 FWIは、局所的なミニマトラップや不確実性の不十分な処理といった課題を提示している。 本研究では,ベイジアン逆転に対する物理パラメータの事前分布として,深部生成モデルを活用することを提案する。
  論文  参考訳（メタデータ） (2024-06-07T11:44:50Z)
• Subsurface Characterization using Ensemble-based Approaches with Deep Generative Models [2.184775414778289]
  逆モデリングは、計算コストとスパースデータセットによる予測精度の低下により、不適切な高次元アプリケーションに限られる。 Wasserstein Geneversarative Adrial Network と Gradient Penalty (WGAN-GP) と Ensemble Smoother を多重データ同化 (ES-MDA) と組み合わせる。 WGAN-GPは低次元の潜伏空間から高次元K場を生成するために訓練され、ES-MDAは利用可能な測定値を同化することにより潜伏変数を更新する。
  論文  参考訳（メタデータ） (2023-10-02T01:27:10Z)
• Gradient-Based Feature Learning under Structured Data [57.76552698981579]
  異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。 バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。 特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
  論文  参考訳（メタデータ） (2023-09-07T16:55:50Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• On the Convergence of Stochastic Gradient Descent for Linear Inverse Problems in Banach Spaces [0.0]
  勾配降下(SGD)は機械学習において最も成功した最適化手法の1つとして確立されている。 一般バナッハ空間における線形逆問題に対するSGDの新しい収束解析を提案する。
  論文  参考訳（メタデータ） (2023-02-10T12:00:49Z)
• Optimizing Information-theoretical Generalization Bounds via Anisotropic Noise in SGLD [73.55632827932101]
  SGLDにおけるノイズ構造を操作することにより,情報理論の一般化を最適化する。 低経験的リスクを保証するために制約を課すことで、最適なノイズ共分散が期待される勾配共分散の平方根であることを証明する。
  論文  参考訳（メタデータ） (2021-10-26T15:02:27Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• Consistency analysis of bilevel data-driven learning in inverse problems [1.0705399532413618]
  本稿では,データからの正規化パラメータの適応学習を最適化により検討する。 線形逆問題に対する我々のフレームワークの実装方法を示す。 勾配降下法を用いてオンライン数値スキームを導出する。
  論文  参考訳（メタデータ） (2020-07-06T12:23:29Z)

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。