基于物理信息神经网络(PINNs)的波传播与全波形反演
地球物理
2022-06-08 v1 计算物理
摘要
我们提出了一种基于深度学习最新进展——物理信息神经网络(PINNs)来求解波传播与全波形反演(FWIs)的新方法。在本研究中,我们给出了一种应用于二维声波方程的PINNs算法,并通过正演波传播和FWIs案例研究对该模型进行了测试。这些合成案例研究旨在探究PINNs利用远震平面波和地震点源处理不同结构复杂程度的能力。PINNs的无网格形式使得波动方程和各类边界条件能够灵活实现。例如,我们的模型表明PINN自动满足吸收边界条件,而这是常见波传播求解器面临的一个严峻计算挑战。此外,地下结构的先验知识可以无缝编码进PINNs的表达式中。我们发现,当前最先进的PINNs在正演模型中给出了良好结果,尽管谱元法或有限差分法更高效且更精确。更重要的是,我们的结果表明PINNs在所考虑的所有反演案例中均以有限的计算复杂度给出了优异结果。将PINNs用作地球物理反演求解器提供了令人振奋的前景,不仅适用于全波形地震反演,也适用于处理其他地球物理数据集(如大地电磁法、重力)以及联合反演,这得益于其鲁棒的框架和简单的实现。
引用
@article{arxiv.2108.12035,
title = {Physics-informed Neural Networks (PINNs) for Wave Propagation and Full Waveform Inversions},
author = {Majid Rasht-Behesht and Christian Huber and Khemraj Shukla and George Em Karniadakis},
journal= {arXiv preprint arXiv:2108.12035},
year = {2022}
}