利用超声层析成像估计多孔材料参数的深度卷积神经网络
计算物理
2018-02-27 v2
摘要
我们研究了基于数据的机器学习应用于超声层析成像以估计饱水多孔材料参数的可行性。本工作中，用于训练神经网络的数据通过求解耦合孔隙粘弹性-粘弹性-声学介质中的波传播进行模拟。正演模型采用高阶间断伽辽金方法，而深度卷积神经网络用于求解参数估计问题。在数值实验中，我们估计了材料的孔隙度和迂曲度，而其余关注度较低的参数在基于神经网络的反演中被成功边缘化。计算结果证实了该方法的可行性和准确性。
引用
@article{arxiv.1709.09212,
title = {Deep convolutional neural networks for estimating porous material parameters with ultrasound tomography},
author = {Timo Lähivaara and Leo Kärkkäinen and Janne M. J. Huttunen and Jan S. Hesthaven},
journal= {arXiv preprint arXiv:1709.09212},
year = {2018}
}