预测三维地震波传播的傅里叶神经算子代理模型
机器学习
2024-09-04 v1 地球物理
摘要
随着神经算子近期的兴起，科学机器学习为量化与高保真数值模拟相关的不确定性提供了新方案。传统神经网络，如卷积神经网络（CNN）或物理信息神经网络（PINN），局限于预定义配置中的解预测。借助神经算子，可以学习偏微分方程（如弹性波方程）随参数变化的通用解。神经算子在地震学中的应用极少，且均限于二维设置，尽管三维（3D）效应的重要性已众所周知。在本工作中，我们应用傅里叶神经算子（FNO）从三维地质描述预测地面运动时间序列。我们使用高保真模拟代码SEM3D构建了由30,000种不同地质生成的地面运动大型数据库。借助该数据库，我们表明FNO即使底层地质呈现大尺度非均质性也能产生准确的地面运动。中长周期的强度度量尤其被很好地复现。我们提出了傅里叶神经算子在三维中的首个地震学应用。得益于我们数据库的可泛化性，我们相信我们的模型可用于评估沉积盆地等地质特征对地面运动的影响，这对评价场地效应至关重要。
引用
@article{arxiv.2304.10242,
title = {Fourier Neural Operator Surrogate Model to Predict 3D Seismic Waves Propagation},
author = {Fanny Lehmann and Filippo Gatti and Michaël Bertin and Didier Clouteau},
journal= {arXiv preprint arXiv:2304.10242},
year = {2024}
}