論文の概要: Integrating Fourier Neural Operators with Diffusion Models to improve Spectral Representation of Synthetic Earthquake Ground Motion Response

• arxiv url: http://arxiv.org/abs/2504.00757v1
• Date: Tue, 01 Apr 2025 13:08:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:20:18.344597
• Title: Integrating Fourier Neural Operators with Diffusion Models to improve Spectral Representation of Synthetic Earthquake Ground Motion Response
• Title（参考訳）: 合成地震動応答のスペクトル表現を改善するための拡散モデルとフーリエニューラル演算子の統合
• Authors: Niccolò Perrone, Fanny Lehmann, Hugo Gabrielidis, Stefania Fresca, Filippo Gatti,
• Abstract要約: 原子炉施設は、強震動による動的負荷に耐えるように設計されなければならない。 本研究では,人工地動を生成するためのAI物理に基づくアプローチを提案する。 以上の結果から,このような手法が生成した人工地震計の現実性を高めることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Nuclear reactor buildings must be designed to withstand the dynamic load induced by strong ground motion earthquakes. For this reason, their structural behavior must be assessed in multiple realistic ground shaking scenarios (e.g., the Maximum Credible Earthquake). However, earthquake catalogs and recorded seismograms may not always be available in the region of interest. Therefore, synthetic earthquake ground motion is progressively being employed, although with some due precautions: earthquake physics is sometimes not well enough understood to be accurately reproduced with numerical tools, and the underlying epistemic uncertainties lead to prohibitive computational costs related to model calibration. In this study, we propose an AI physics-based approach to generate synthetic ground motion, based on the combination of a neural operator that approximates the elastodynamics Green's operator in arbitrary source-geology setups, enhanced by a denoising diffusion probabilistic model. The diffusion model is trained to correct the ground motion time series generated by the neural operator. Our results show that such an approach promisingly enhances the realism of the generated synthetic seismograms, with frequency biases and Goodness-Of-Fit (GOF) scores being improved by the diffusion model. This indicates that the latter is capable to mitigate the mid-frequency spectral falloff observed in the time series generated by the neural operator. Our method showcases fast and cheap inference in different site and source conditions.
• Abstract（参考訳）: 原子炉施設は、強震動による動的負荷に耐えるように設計されなければならない。 このため、その構造挙動は、複数の現実的な地盤揺らぎのシナリオ(例えば、最大クレディブル地震)で評価されなければならない。 しかし、地震カタログや記録地震図は、必ずしも関心のある地域では利用できないかもしれない。 地震物理は、数値ツールで正確に再現できるほど十分に理解されていない場合があり、基礎となる疫学的な不確実性は、モデルの校正に関連する計算コストの禁止に繋がる。 そこで本研究では,任意のソース地質設定でエラストダイナミックスグリーンの演算子を近似したニューラル演算子を組み合わせた,合成基底運動を生成するAI物理に基づくアプローチを提案する。 拡散モデルは、ニューラル演算子によって生成された接地運動時系列を補正するように訓練される。 提案手法は, 周波数バイアスとGoF(Goodness-Of-Fit)スコアを拡散モデルにより改善し, 生成した地震計のリアリズムを良好に向上することを示す。 これは、後者がニューラル演算子によって生成された時系列で観測される中周波スペクトルのずれを軽減することができることを示している。 提案手法は,異なるサイトやソース条件下での高速かつ安価な推論を示す。

関連論文リスト

• Gaussian Processes for Probabilistic Estimates of Earthquake Ground Shaking: A 1-D Proof-of-Concept [0.0]
  地球における地震波速度の推定値は、地動予測のための地震シミュレーションの重要な入力パラメータである。 本稿では,既存地震波速度モデルの不整合に起因する不確実性を考慮した概念実証について述べる。
  論文  参考訳（メタデータ） (2024-12-04T13:16:57Z)
• High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
  本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。 地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。 最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
  論文  参考訳（メタデータ） (2024-10-25T07:01:48Z)
• Learning Physics for Unveiling Hidden Earthquake Ground Motions via Conditional Generative Modeling [43.056135090637646]
  地盤運動の条件生成モデル(CGM-GM) 本研究では, 高周波・空間連続地震動波形を合成する人工知能シミュレータを提案する。 CGM-GMは、最先端の非エルゴディックな地上運動モデルよりも優れた可能性を示す。
  論文  参考訳（メタデータ） (2024-07-21T08:23:37Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• 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)
• Mining Causality from Continuous-time Dynamics Models: An Application to Tsunami Forecasting [22.434845478979604]
  本研究では,連続時間モデルから因果構造を抽出する機構を提案する。 我々は,動的モデルの入力層の重み付けによって因果構造を捕捉するモデルを訓練する。 本手法を津波予報という実世界の問題に適用し,正確な因果構造を特徴付けるのが困難である。
  論文  参考訳（メタデータ） (2022-10-10T18:53:13Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Data-driven Accelerogram Synthesis using Deep Generative Models [0.0]
  我々は、GAN(Generative Adversarial Networks)の最近の進歩を活用して、地震加速時間履歴の新しい枠組みを開発する。 我々のアプローチは、連続的な物理変数の集合上で条件付けられた基底運動の生成を可能にするために、ワッサーシュタイン GAN の定式化を拡張している。 学習したジェネレータモデルは, 大きさ, 距離, および$V_s30$で条件付きリアルな3成分加速度図を合成可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-18T02:12:14Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。