Машинное обучение с учетом физических законов: уравнение сейсмической волны
Physics informed machine learning: Seismic wave equation
2020-08-05
SCID: 54.1/jzndkmtn
Discuss with AI
гауссовские процессыфизически информированное машинное обучениефизически информированные нейронные сетиуравнение сейсмических волнинверсия скорости волны
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
одномерное зависящее от времени уравнение сейсмической волны
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest