論文の概要: Enhanced 3D Gravity Inversion Using ResU-Net with Density Logging Constraints: A Dual-Phase Training Approach

• arxiv url: http://arxiv.org/abs/2601.02890v1
• Date: Tue, 06 Jan 2026 10:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.889807
• Title: Enhanced 3D Gravity Inversion Using ResU-Net with Density Logging Constraints: A Dual-Phase Training Approach
• Title（参考訳）: 密度検層制約付きResU-Netを用いた2相学習による3次元重力インバージョン
• Authors: Siyuan Dong, Jinghuai Gao, Shuai Zhou, Baohai Wu, Hongfa Jia,
• Abstract要約: 深層学習(DL)に基づくデータ駆動重力インバージョン法は、従来の正規化法に欠ける物理的特性回復能力を有する。 既存のDL手法は事前情報制約の不足に悩まされ、大きなデータ適合誤差と信頼性の低い結果の逆モデルに繋がる。 本稿では,上記の問題に対処するために,事前密度のよいログ情報を統合した新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 10.808596914579544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gravity exploration has become an important geophysical method due to its low cost and high efficiency. With the rise of artificial intelligence, data-driven gravity inversion methods based on deep learning (DL) possess physical property recovery capabilities that conventional regularization methods lack. However, existing DL methods suffer from insufficient prior information constraints, which leads to inversion models with large data fitting errors and unreliable results. Moreover, the inversion results lack constraints and matching from other exploration methods, leading to results that may contradict known geological conditions. In this study, we propose a novel approach that integrates prior density well logging information to address the above issues. First, we introduce a depth weighting function to the neural network (NN) and train it in the weighted density parameter domain. The NN, under the constraint of the weighted forward operator, demonstrates improved inversion performance, with the resulting inversion model exhibiting smaller data fitting errors. Next, we divide the entire network training into two phases: first training a large pre-trained network Net-I, and then using the density logging information as the constraint to get the optimized fine-tuning network Net-II. Through testing and comparison in synthetic models and Bishop Model, the inversion quality of our method has significantly improved compared to the unconstrained data-driven DL inversion method. Additionally, we also conduct a comparison and discussion between our method and both the conventional focusing inversion (FI) method and its well logging constrained variant. Finally, we apply this method to the measured data from the San Nicolas mining area in Mexico, comparing and analyzing it with two recent gravity inversion methods based on DL.
• Abstract（参考訳）: 重力探査は、低コストで高い効率で重要な物理探査方法となっている。 人工知能の台頭に伴い、深層学習(DL)に基づくデータ駆動重力インバージョン法は、従来の正規化法に欠ける物理的特性回復能力を有する。 しかし、既存のDL手法では事前情報制約が不十分であり、大きなデータ適合誤差と信頼性の低い結果の逆モデルに繋がる。 さらに、逆解析結果には他の探査方法との制約やマッチングが欠如しており、既知の地質条件と矛盾する可能性がある。 本研究では, 上記の問題に対処するために, 先行密度検層情報を統合した新しい手法を提案する。 まず、ニューラルネットワーク(NN)に重み付け関数を導入し、重み付けされた密度パラメータ領域でトレーニングする。 NNは重み付きフォワード演算子の制約の下で、インバージョン性能を向上し、結果のインバージョンモデルはより小さなデータフィッティング誤差を示す。 次に、ネットワークトレーニング全体を2つのフェーズに分割する。まず、大規模な事前学習ネットワークNet-Iをトレーニングし、次に、密度ロギング情報を制約として使用して、最適化された微調整ネットワークNet-IIを得る。 合成モデルとビショップモデルにおける試験と比較により,制約のないデータ駆動型DLインバージョン法と比較して,本手法のインバージョン品質が大幅に向上した。 さらに,本手法と従来型のフォーカスインバージョン法(FI)法との比較検討を行い,その厳密な制約付き変種について検討した。 最後に, この手法をメキシコのサンニコラス鉱業地域の測定データに適用し, DLに基づく2つの最近の重力逆転法との比較と解析を行った。

関連論文リスト

• Performance of Machine Learning Methods for Gravity Inversion: Successes and Challenges [0.0]
  機械学習の最近の進歩は、重力反転のためのデータ駆動アプローチを動機付けている。 まず、重力異常を直接密度場にマッピングするように訓練された畳み込みニューラルネットワークを設計する。 生成モデルをさらに研究するために,変分オートエンコーダ(VAE)とGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2025-09-28T19:19:07Z)
• Fusing CFD and measurement data using transfer learning [49.1574468325115]
  本稿では,伝送学習によるシミュレーションと計測データを組み合わせたニューラルネットワークに基づく非線形手法を提案する。 最初のステップでは、ニューラルネットワークがシミュレーションデータに基づいてトレーニングされ、分散量の空間的特徴を学習する。 第2のステップは、ニューラルネットワークモデル全体の小さなサブセットを再トレーニングするだけで、シミュレーションと測定の間の体系的なエラーを修正するために、測定データ上での変換学習である。
  論文  参考訳（メタデータ） (2025-07-28T07:21:46Z)
• Physics-Informed Neural Networks with Trust-Region Sequential Quadratic Programming [4.557963624437784]
  最近の研究によると、物理情報ニューラルネットワーク(PINN)は比較的複雑な部分微分方程式(PDE)を学習できない可能性がある。 本稿では, 信頼領域逐次準計画法(trSQP-PINN)を導入し, PINNの障害モードに対処する。 PINNのようにペナル化ソフト制約損失を直接訓練するのに対し,本手法はソフト制約損失を利用して信頼範囲半径を適応的に調整しながら,ハード制約損失の線形2次近似を行う。
  論文  参考訳（メタデータ） (2024-09-16T23:22:12Z)
• Domain adaption and physical constrains transfer learning for shale gas production [0.26440512250125126]
  本稿では,ドメイン適応と物理制約を利用した新しい移動学習手法を提案する。 この手法は、データ分散の観点からの負の転送を減らすために、ソースドメインからの履歴データを効果的に活用する。 掘削, 完成, 地質データを物理的制約として組み込むことで, ハイブリッドモデルを構築する。
  論文  参考訳（メタデータ） (2023-12-18T04:13:27Z)
• A Deep Dive into the Connections Between the Renormalization Group and Deep Learning in the Ising Model [0.0]
  再正規化群(Renormalization group、RG)は、統計物理学と量子場理論において必須の手法である。 本研究では, 1D と 2D Ising モデルに対する広範な再正規化手法を開発し, 比較のためのベースラインを提供する。 2次元イジングモデルでは、Wolffアルゴリズムを用いてIsingモデルサンプルを生成し、準決定論的手法を用いてグループフローを実行した。
  論文  参考訳（メタデータ） (2023-08-21T22:50:54Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• Towards Accurate Knowledge Transfer via Target-awareness Representation Disentanglement [56.40587594647692]
  本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。 TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。 各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
  論文  参考訳（メタデータ） (2020-10-16T17:45:08Z)
• Deep-Learning based Inverse Modeling Approaches: A Subsurface Flow Example [0.0]
  理論誘導ニューラルネットワーク(TgNN)は、不確実なモデルパラメータの問題に対するディープラーニングサロゲートとして構築されている。 直接逆モデリングでは,TgNNが地理情報に制約を課した直接深層学習逆変換法が提案されている。
  論文  参考訳（メタデータ） (2020-07-28T15:31:07Z)

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。