基于深度学习代理相互作用马尔可夫链蒙特卡罗的材料属性量化全波反演方案
材料科学
2020-01-08 v1 机器学习
机器学习
摘要
全波反演（FWI）成像方案在工程、地球科学与医学中有诸多应用。本文提出一种代理深度学习 FWI 方法，利用应力波量化材料属性。此类反问题通常是病态且非凸的，尤其在解呈现激波、非均匀性、不连续或大梯度的情况下。所提方法被证明在这些情况下能高效获得全局极小响应。该方法基于随机采样的材料属性集合及局部极小附近的采样试验进行训练，因此需要能够处理高非均匀性、不连续与大梯度的正演模拟。采用高分辨率 Kurganov-Tadmor（KT）中心有限体积法作为正演波传播算子。利用所提框架，对多种不同情形下的二维介质材料属性进行了量化。结果证明了所提方法使用深度学习方法高精度估计材料力学属性的可行性。
引用
@article{arxiv.2001.02050,
title = {Deep learning surrogate interacting Markov chain Monte Carlo based full wave inversion scheme for properties of materials quantification},
author = {Reza Rashetnia and Mohammad Pour-Ghaz},
journal= {arXiv preprint arXiv:2001.02050},
year = {2020}
}