論文の概要: Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models

• arxiv url: http://arxiv.org/abs/2410.15274v1
• Date: Sun, 20 Oct 2024 04:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:43.394711
• Title: Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models
• Title（参考訳）: 1次元恒星モデルのための物理誘導深部教師なしインバージョン
• Authors: Paul Goyes-Peñafiel, Umair bin Waheed, Henry Arguello,
• Abstract要約: 我々は物理で導かれた新しいディープ・インバージョン・アルゴリズムを提案し、1Dマグネトロンモデル(MT)を推定する。 本手法では,コスト関数の最小化を物理的に導く,微分可能なモデリング演算子を用いる。 提案手法は, 異なる周波数でのフィールドデータと合成データを用いて検証し, 取得モデルが他の結果よりも精度が高いことを示す。
• 参考スコア（独自算出の注目度）: 16.91835461818938
• License:
• Abstract: The global demand for unconventional energy sources such as geothermal energy and white hydrogen requires new exploration techniques for precise subsurface structure characterization and potential reservoir identification. Magnetotelluric (MT) inversion is crucial for these tasks, providing critical information on the distribution of subsurface electrical resistivity at depths ranging from hundreds to thousands of meters. However, traditional iterative algorithm-based inversion methods require the adjustment of multiple parameters, demanding time-consuming and exhaustive tuning processes to achieve proper cost function minimization. Although recent advances have incorporated deep learning algorithms for MT inversion, these have been primarily based on supervised learning, which needs large labeled datasets for training. Therefore, it causes issues in generalization and model characteristics that are restricted to the neural network's features. This work utilizes TensorFlow operations to create a differentiable forward MT operator, leveraging its automatic differentiation capability. Moreover, instead of solving for the subsurface model directly, as classical algorithms perform, this paper presents a new deep unsupervised inversion algorithm guided by physics to estimate 1D MT models. Instead of using datasets with the observed data and their respective model as labels during training, our method employs a differentiable modeling operator that physically guides the cost function minimization, making the proposed method solely dependent on observed data. Therefore, the optimization problem is updating the network weights to minimize the data misfit. We test the proposed method with field and synthetic data at different acquisition frequencies, demonstrating that the resistivity models are more accurate than other results using state-of-the-art techniques.
• Abstract（参考訳）: 地熱エネルギーや白色水素のような非伝統的なエネルギー源に対する世界的な需要は、正確な地下構造と潜在的な貯水池の同定のための新しい探査技術を必要とする。 MTインバージョンはこれらのタスクに不可欠であり、数百mから数千mの深さで地下電気抵抗の分布について重要な情報を提供する。 しかし、従来の反復アルゴリズムに基づく逆転法では、適切なコスト関数の最小化を実現するために、複数のパラメータの調整が必要であり、時間を要する。 MTインバージョンのためのディープラーニングアルゴリズムは近年進歩しているが、これらは主に教師付き学習に基づいており、トレーニングには大きなラベル付きデータセットが必要である。 そのため、ニューラルネットワークの特徴に制限された一般化とモデル特性の問題を生じさせる。 この作業では、TensorFlow操作を使用して、自動微分機能を活用して、微分可能なフォワードMT演算子を生成する。 さらに,従来のアルゴリズムが行うように,地下モデルを直接解く代わりに,物理によって導かれる深層非教師付き逆変換アルゴリズムを提案し,1次元MTモデルを推定する。 本手法では,観測データと各モデルをラベルとして使用する代わりに,コスト関数の最小化を物理的にガイドする微分可能なモデリング演算子を用いて,観測データにのみ依存する手法を提案する。 したがって、最適化問題は、データのミスフィットを最小限に抑えるために、ネットワーク重みを更新することである。 提案手法を異なる取得周波数でのフィールドデータと合成データを用いて実験し, 比抵抗モデルが最先端技術を用いて他の結果よりも精度が高いことを示した。

関連論文リスト

• 3-D Magnetotelluric Deep Learning Inversion Guided by Pseudo-Physical Information [11.303727578628575]
  近年,ジョイントデータ駆動と物理駆動を併用したDLインバージョン法が注目されている。 本稿では、ニューラルネットワーク(NN)の前方モデリングを通して擬似物理情報を導入し、損失のこの部分を計算する。 本研究では,3次元MTインバージョンにおけるフィールドデータ環境をシミュレートし,マスキングとノイズ付加を含む新しい入力モードを提案する。
  論文  参考訳（メタデータ） (2024-10-12T06:39:31Z)
• chemtrain: Learning Deep Potential Models via Automatic Differentiation and Statistical Physics [0.0]
  ニューラルネットワーク(NN)は分子動力学の精度を改善するための有望なモデルである。 Chemtrainは、カスタマイズ可能なトレーニングルーチンと高度なトレーニングアルゴリズムを通じて、洗練されたNNポテンシャルモデルを学ぶためのフレームワークである。
  論文  参考訳（メタデータ） (2024-08-28T15:14:58Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
  ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。 モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。 ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-28T12:02:27Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• 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)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
  交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。 このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。 本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
  論文  参考訳（メタデータ） (2021-05-21T00:08:06Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)

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。