用于源依赖三维弹性动力学的多输入傅里叶神经算子（MIFNO）
机器学习
2025-04-09 v2 地球物理
摘要
数值模拟是评估复杂环境下（如具有异质特性的三维（3D）域）波动方程解的重要工具。然而，其应用受限于高昂的计算成本，且现有的代理模型缺乏数值求解器的灵活性。本研究引入了多输入傅里叶神经算子（MIFNO），以处理表示材料属性的结构化三维场以及描述源特征的向量。MIFNO 被应用于地壳中的弹性波传播问题。它在 HEMEW^S-3D 数据库上进行训练，该数据库包含在不同异质域中具有随机源位置和方向的 30000 次地震模拟。输出为时间和空间相关的表面波场。基于拟合优度（GOF）准则，MIFNO 的预测被评估为良好至优秀。由于 80% 的预测具有优秀的相位 GOF，波到达时间和波前传播非常准确。87% 的预测的波动振幅良好。由于与高频特征相关的复杂物理现象，包络分数受到难以捕捉的小尺度波动的影响。尽管如此，MIFNO 能够泛化到位于训练域之外的源，并且对真实的复杂逆冲地质表现出良好的泛化能力。当聚焦于感兴趣的区域时，迁移学习以有限的额外成本提高了准确性，仅需 500 个额外的特定样本，GOF 分数就提高了 1 个 GOF 单位以上。MIFNO 是首个提供具有变化源和材料属性的地震模拟器灵活性的代理模型。其良好的准确性和大规模的加速为在多次查询问题中替代数值模拟提供了新视角。
引用
@article{arxiv.2404.10115,
title = {Multiple-Input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics},
author = {Fanny Lehmann and Filippo Gatti and Didier Clouteau},
journal= {arXiv preprint arXiv:2404.10115},
year = {2025}
}