用于声波波场快速模拟的 Gabor 增强物理信息神经网络
地球物理
2025-03-03 v2 机器学习
摘要
物理信息神经网络 (PINNs) 因其灵活性和无网格特性，在求解包括 Helmholtz 方程在内的偏微分方程方面受到越来越多的关注。然而，其低频偏置限制了其在高频波场模拟中的准确性和收敛速度。为了缓解这些问题，我们提出了一种结合 Gabor 函数的简化 PINN 框架，旨在更有效地捕捉波场的振荡和局部化特性。与以往依赖辅助网络学习 Gabor 参数的尝试不同，我们重新定义了网络的任务，即将输入坐标映射到定制的 Gabor 坐标系，与简单的 PINN 相比，在不增加可训练参数数量的情况下简化了训练过程。我们在多个速度模型上验证了所提出的方法，包括复杂的 Marmousi 和 Overthrust 模型，并证明了其与传统 PINN 和早期基于 Gabor 的 PINN 相比具有卓越的准确性、更快的收敛速度和更好的鲁棒性。此外，我们提出了一种有效集成完全匹配层 (PML) 的方法，以改善边界附近的波场行为。这些结果表明，我们的方法为散射波场建模提供了一种高效且准确的替代方案，并为未来基于 PINN 的地震应用改进奠定了基础。
引用
@article{arxiv.2502.17134,
title = {Gabor-Enhanced Physics-Informed Neural Networks for Fast Simulations of Acoustic Wavefields},
author = {Mohammad Mahdi Abedi and David Pardo and Tariq Alkhalifah},
journal= {arXiv preprint arXiv:2502.17134},
year = {2025}
}