論文の概要: Data-Driven Pseudo-spectral Full Waveform Inversion via Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2502.17608v1
• Date: Mon, 24 Feb 2025 19:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:23:38.400514
• Title: Data-Driven Pseudo-spectral Full Waveform Inversion via Deep Neural Networks
• Title（参考訳）: 深部ニューラルネットワークを用いたデータ駆動擬似スペクトル全波形インバージョン
• Authors: Christopher Zerafa, Pauline Galea, Cristiana Sebu,
• Abstract要約: 擬似スペクトルFWI問題をデータ駆動型擬似スペクトルアプローチのためのディープラーニングアルゴリズムとして再定式化する。 データ駆動型擬似スペクトルの逆転は、深部および過スラスト領域において古典的FWIよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: FWI seeks to achieve a high-resolution model of the subsurface through the application of multi-variate optimization to the seismic inverse problem. Although now a mature technology, FWI has limitations related to the choice of the appropriate solver for the forward problem in challenging environments requiring complex assumptions, and very wide angle and multi-azimuth data necessary for full reconstruction are often not available. Deep Learning techniques have emerged as excellent optimization frameworks. These exist between data and theory-guided methods. Data-driven methods do not impose a wave propagation model and are not exposed to modelling errors. On the contrary, deterministic models are governed by the laws of physics. Application of seismic FWI has recently started to be investigated within Deep Learning. This has focussed on the time-domain approach, while the pseudo-spectral domain has not been yet explored. However, classical FWI experienced major breakthroughs when pseudo-spectral approaches were employed. This work addresses the lacuna that exists in incorporating the pseudo-spectral approach within Deep Learning. This has been done by re-formulating the pseudo-spectral FWI problem as a Deep Learning algorithm for a data-driven pseudo-spectral approach. A novel DNN framework is proposed. This is formulated theoretically, qualitatively assessed on synthetic data, applied to a two-dimensional Marmousi dataset and evaluated against deterministic and time-based approaches. Inversion of data-driven pseudo-spectral DNN was found to outperform classical FWI for deeper and over-thrust areas. This is due to the global approximator nature of the technique and hence not bound by forward-modelling physical constraints from ray-tracing.
• Abstract（参考訳）: FWIは, 地震逆問題への多変量最適化の適用を通じて, 地下の高分解能モデルの実現を目指している。 現在、FWIは成熟した技術であるが、複雑な仮定を必要とする環境において、前方問題に対する適切な解法の選択に関連する制限があり、完全な再構築に必要な非常に広い角度と多方位データはしばしば利用できない。 優れた最適化フレームワークとしてディープラーニング技術が登場した。 これらは理論誘導法とデータの間に存在する。 データ駆動型メソッドは、波動伝搬モデルを課すのではなく、モデリングエラーに晒されない。 逆に、決定論的モデルは物理学の法則によって支配される。 近年, 深層学習におけるFWIの適用が検討されている。 これは時間領域アプローチに重点を置いているが、擬似スペクトル領域はまだ検討されていない。 しかし、古典的なFWIは擬似スペクトルアプローチを採用する際に大きなブレークスルーを経験した。 この研究は、ディープラーニングに擬似スペクトルアプローチを組み込む際に存在するラグナに対処する。 これは、データ駆動型擬似スペクトルアプローチのためのディープラーニングアルゴリズムとして擬似スペクトルFWI問題を再定式化することで実現されている。 新たなDNNフレームワークが提案されている。 これは理論的に定性的に合成データに基づいて評価され、2次元のMarmousiデータセットに適用され、決定論的および時間的アプローチに対して評価される。 データ駆動型擬似スペクトルDNNのインバージョンは、深部および過スラスト領域において古典的FWIよりも優れていた。 これは、この手法のグローバルな近似の性質が原因であり、したがってレイトレーシングによる物理的制約の前方モデリングによって束縛されない。

関連論文リスト

• Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
  ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。 本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
  論文  参考訳（メタデータ） (2024-02-02T19:18:12Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• An Unsupervised Deep Learning Approach for the Wave Equation Inverse Problem [12.676629870617337]
  フルウェーブフォーム・インバージョン(FWI)は、高分解能地下物理パラメータを推定する強力な物理画像技術である。 観測の限界、限られたショットや受信機、ランダムノイズなどにより、従来の逆転法は多くの課題に直面している。 物理速度パラメータを正確に再構成することを目的とした教師なし学習手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T08:39:33Z)
• Strategic Geosteeering Workflow with Uncertainty Quantification and Deep Learning: A Case Study on the Goliat Field [0.0]
  本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。 オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。 オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
  論文  参考訳（メタデータ） (2022-10-27T15:38:26Z)
• Implicit Full Waveform Inversion with Deep Neural Representation [91.3755431537592]
  連続的かつ暗黙的に定義されたディープニューラル表現を用いた暗黙完全波形逆変換(IFWI)アルゴリズムを提案する。 理論的および実験的解析は、ランダムな初期モデルが与えられた場合、IFWIが大域的な最小値に収束できることを示している。 IFWIは、様々な2次元地質モデルの実験で実証される、ある程度の堅牢性と強い一般化能力を持っている。
  論文  参考訳（メタデータ） (2022-09-08T01:54:50Z)
• 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)
• Finite Volume Neural Network: Modeling Subsurface Contaminant Transport [0.880802134366532]
  有限ボリュームニューラルネットワークと呼ばれる新しいアプローチを紹介します。 FINN法は、偏微分方程式を扱うためによく知られた有限体積法の数値構造を採用する。 FINNは, 合成データと実データの両方に適用した場合, 優れた一般化能力を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-13T08:23:44Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• An Ode to an ODE [78.97367880223254]
  我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。 この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
  論文  参考訳（メタデータ） (2020-06-19T22:05:19Z)

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。