Apr, 2023

利用物理信息的神经网络和硬性约束进行微震源成像

PDF
TL;DR本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。
发现论文，激发创造
  • 半无限层状域地震波反演的物理知识驱动神经网络

    本文提出一种基于物理信息神经网络（PINN）的地震波反演框架，以求解半无限域的介质分布问题。通过设计轻量网络学习未知介质分布和深度神经网络近似求解变量来验证该方法的有效性。

    May, 2023

  • 用物理信息指导的神经网络（PINNs）进行波传播和完全波形反演

    通过基于物理学知识的神经网络（PINNs）方法对二维声波方程进行求解和全波形反演（FWI）问题进行研究，证明其在处理不同结构复杂度的情况下表现出良好的结果，不仅适用于地震学领域，而且可以处理其他地球物理学数据集以及联合反演等问题，拓展了地球物理学反演研究的新途径。

    Aug, 2021

  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • GaborPINN: 使用乘法滤波网络的高效物理信息神经网络

    我们提出了改进的基于 Gabor 基函数的 PINN 方法（GaborPINN），通过嵌入先验频率信息来加快收敛速度，与传统的 PINN 方法相比，取得了两个数量级的收敛速度提升。

    Aug, 2023

  • 多任务逆问题中的自加权贝叶斯物理推测神经网络和鲁棒估计在孔隙尺度溶解成像中的应用

    我们提出了一种新的孔隙尺度成像数据同化策略，并通过不确定性量化，展示了它能够稳健地解决反应性反问题。

    Aug, 2023

  • 基于物理学的神经网络用于超声无损检测表面裂纹的定量化

    本研究介绍了一种优化的物理信息神经网络 (PINN)，使用超声表面波数据识别和表征金属板中的表面裂纹，并展示了自适应激活函数的使用显著提高了收敛速度和准确性。研究结果表明该模型有望成为解决病态反问题的有效深度学习模型。

    May, 2020

  • PINNslope：物理知情神经网络在地震数据插值和局部斜率估计中的应用

    利用物理知识神经网络 (PINN)，基于局部平面波差分方程和可用数据训练两个前馈神经网络，一个主网络用于重构地震数据，一个辅助网络估计相关的局部斜率。该方法有效地处理了非均匀采样的地震数据和数据中的大间隔，比传统的最小二乘反演方法和单个网络的 PINN 方法表现更好。通过引入一个估计局部斜率的第二个网络，同时插值混杂的数据，提高了主网络的重构能力和收敛行为，并通过额外的位置编码层使网络能够更快地收敛，提高了数据项的准确性。

    May, 2023

  • 物理启发的神经网络用于纳米光学和超材料反问题

    本文介绍如何应用物理信息神经网络（PINNs）求解光子超材料和纳米光学技术中的逆散射问题，并成功应用于多组分纳米粒子等多种散射系统的介电常数参数反演，从而拓展超材料的设计空间和功能。

    Dec, 2019

  • 物理约束无监督深度学习用于快速高分辨率扫描相干衍射重建

    使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

    Jun, 2023

  • 利用非线性薛定谔方程和物理信息神经网络进行水波的数据同化和参数识别

    利用物理信息神经网络技术，本研究提出在水下安装少量监测仪器的情况下，通过测量数据重建表面高度的时空范围，以解决常规数值方法无法解决的数据同化问题，并成功应用于确定性波浪预测方法的改进。

    Jan, 2024