Машинное обучение с учетом физических законов: уравнение сейсмической волны

Physics informed machine learning: Seismic wave equation
Sadegh Karimpouli, Pejman Tahmasebi
2020-08-05

гауссовские процессыфизически информированное машинное обучениефизически информированные нейронные сетиуравнение сейсмических волнинверсия скорости волны
Как и во многих научных областях, последние достижения в глубоком обучении широко применяются в геонауках для решения задач малого и крупного масштаба. Однако необходимость использования больших обучающих выборок и «черный ящик» таких методов обучения ограничивают их практическое применение и затрудняют интерпретацию результатов. Кроме того, включение управляющих уравнений и физических принципов в подобные методы остается сложной задачей, что часто приводит либо к игнорированию физики, либо к ее упрощению с использованием нереалистичных данных. Для решения этих проблем были разработаны методы машинного обучения с учетом физических законов, позволяющие интегрировать управляющие физические законы в процесс обучения. В данной работе рассматривается зависящее от времени одномерное (1D) уравнение сейсмической волны, которое решается двумя методами: гауссовскими процессами (GP) и физически информированными нейронными сетями (PINN). Показано, что эти безсеточные методы можно обучать на меньших объемах данных и с высокой точностью предсказывать решение уравнения. Они также способны выполнять инверсию параметров, входящих в управляющее уравнение, например скорости волны в рассматриваемом случае. Результаты показывают, что гауссовские процессы предсказывают решение уравнения сейсмической волны с меньшей погрешностью, тогда как разработанная нейронная сеть обеспечивает более высокую точность при инверсии скоростей P- и S-волн и плотности.
1
Оба метода точно предсказывают решения уравнения сейсмической волны и позволяют инвертировать параметры управляющего уравнения, включая скорость распространения волн.
2
Гауссовские процессы обеспечивают меньшую ошибку прогнозирования решения, тогда как разработанная нейронная сеть точнее восстанавливает скорости P- и S-волн, а также плотность.
3
Гауссовские процессы и физически информированные нейронные сети решают одномерное нестационарное уравнение сейсмической волны с использованием безсеточных методов и относительно небольших обучающих выборок.
4
Физически информированное машинное обучение интегрирует управляющие физические законы в моделирование сейсмических волн, уменьшая ограничения обычного глубокого обучения, связанные с объемом данных и интерпретируемостью.
5
Результаты показывают, что учет физических законов обеспечивает точное сейсмическое моделирование без необходимости больших наборов данных или нереалистичных упрощений физики.

одномерное зависящее от времени уравнение сейсмической волны

точное прогнозирование решения и инверсия параметров управляющего уравнения, прежде всего скоростей P- и S-волн и плотности, с использованием физически информированного машинного обучения

Publication Details
Publication Date
2020-08-05
Journal
Publisher
ISSN
Cited by
190
Access Type
Author Information
Authors
Sadegh Karimpouli
Pejman Tahmasebi
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%