論文の概要: Theory-guided Pseudo-spectral Full Waveform Inversion via Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2502.17624v1
• Date: Mon, 24 Feb 2025 20:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:21:37.600066
• Title: Theory-guided 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理論誘導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: フルウェーブフォーム・インバージョンは、地下の高分解能モデルの実現を目指している。 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Full-Waveform Inversion 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. 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. Seismic FWI has recently started to be investigated as a Deep Learning framework. Focus has been on the time-domain, 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 theory-driven pseudo-spectral approach. A novel Recurrent Neural Network framework is proposed. This is qualitatively assessed on synthetic data, applied to a two-dimensional Marmousi dataset and evaluated against deterministic and time-based approaches. Pseudo-spectral theory-guided FWI using RNN was shown to be more accurate than classical FWI with only 0.05 error tolerance and 1.45\% relative percent-age error. Indeed, this provides more stable convergence, able to identify faults better and has more low frequency content than classical FWI. Moreover, RNN was more suited than classical FWI at edge detection in the shallow and deep sections due to cleaner receiver residuals.
• Abstract（参考訳）: フルウェーブフォーム・インバージョンは、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。 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, 深層学習フレームワークとして地震波FWIの調査が始まっている。 時間領域に焦点が当てられているが、擬似スペクトル領域はまだ探索されていない。 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、理論駆動型擬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。 新たなリカレントニューラルネットワークフレームワークが提案されている。 これは、合成データに基づいて質的に評価され、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に基づくアプローチに対して評価される。 RNNを用いた擬似スペクトル理論誘導FWIは、0.05エラー耐性と1.45\%相対パーセンテージ誤差しか持たない古典的なFWIよりも精度が高いことを示した。 実際、これはより安定した収束を提供し、フォールトをよりよく識別でき、古典的なFWIよりも低周波のコンテントを持つ。 さらに、RNNは、よりクリーンな受信残差のため、浅部および深部におけるエッジ検出において、古典的なFWIよりも適していた。

関連論文リスト

• Impact of Recurrent Neural Networks and Deep Learning Frameworks on Real-time Lightweight Time Series Anomaly Detection [0.0]
  様々なディープラーニングフレームワークで利用可能な異なるタイプのRNNが、これらの異常検出手法の性能にどのように影響するかは不明だ。 我々は、いくつかの最先端手法をレビューし、よく知られたRNN変種を用いた代表的異常検出手法を実装した。 次に、実世界のオープンソース時系列データセットにまたがる各実装のパフォーマンスを分析するために、包括的な評価を行う。
  論文  参考訳（メタデータ） (2024-07-26T00:38:51Z)
• 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)
• 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)
• Deep Neural Network Based Accelerated Failure Time Models using Rank Loss [0.0]
  加速故障時間(AFT)モデルは、障害時間と一連の共変量の間の対数線関係を仮定する。 ディープニューラルネットワーク(DNN)は過去数十年にわたって注目され、様々な分野で大きな成功を収めてきた。 本稿では,Gehan型損失モデルとサブサンプリング手法を組み合わせることで,AFTモデルにDNNを適用することを提案する。
  論文  参考訳（メタデータ） (2022-06-13T08:38:18Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Revisit Geophysical Imaging in A New View of Physics-informed Generative Adversarial Learning [2.12121796606941]
  完全な波形反転は高分解能地下モデルを生成する。 最小二乗関数を持つFWIは、局所ミニマ問題のような多くの欠点に悩まされる。 偏微分方程式とニューラルネットワークを用いた最近の研究は、2次元FWIに対して有望な性能を示している。 本稿では,波動方程式を識別ネットワークに統合し,物理的に一貫したモデルを正確に推定する,教師なし学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-09-23T15:54:40Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体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） (2021-06-15T06:39:13Z)
• 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)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。