基于傅里叶特征的物理信息神经网络在时域非光滑复杂介质地震波场模拟中的应用
地球物理
2025-06-19 v2
摘要
物理信息神经网络（PINNs）在地震波正演模拟与反演中具有极大的灵活性与有效性潜力。然而，基于坐标的神经网络（NNs）通常存在“谱偏置”病态问题，这极大限制了其对尖锐复杂介质中高频波传播的建模能力。我们提出了一种用于求解时域波动方程的傅里叶特征物理信息神经网络（FF-PINNs）统一框架。所提出的框架将随机梯度下降（SGD）策略与独立预训练的波速代理模型相结合，以缓解点源处的奇异性。通过消融实验讨论了激活函数与梯度下降策略的性能。此外，我们评估了从不同分布族（高斯分布、拉普拉斯分布和均匀分布）采样的傅里叶特征映射的精度比较。将基于二阶抛物线近似的边界条件作为软正则化项纳入损失函数，以消除虚假边界反射。通过非光滑的 Marmousi 和 Overthrust 模型算例，我们强调了吸收边界条件（ABCs）约束的必要性。一系列数值实验的结果证明了所提出方法在建模尖锐复杂介质中高频波传播时的准确性与有效性。
引用
@article{arxiv.2409.03536,
title = {Physics-informed Neural Networks with Fourier Features for Seismic Wavefield Simulation in Time-Domain Nonsmooth Complex Media},
author = {Yi Ding and Su Chen and Hiroe Miyake and Xiaojun Li},
journal= {arXiv preprint arXiv:2409.03536},
year = {2025}
}