SeismicNet: 用于半无限域中地震波建模的物理信息神经网络
地球物理
2022-11-03 v3 机器学习
计算物理
摘要
将物理知识与机器学习结合以建模动力系统近来受到越来越多的关注。然而,针对地震波建模任务的研究极为有限。一个关键挑战是这些地球物理问题通常定义在大域(即半无限域)中,导致高计算成本。本文提出一种新颖的物理信息神经网络(PINN)模型,用于半无限域中的地震波建模,无需标记数据。具体而言,吸收边界条件作为软正则化器引入网络以处理截断边界。在计算效率方面,我们考虑通过时域分解的序贯训练策略,以提升网络的可扩展性与解精度。此外,我们设计了一种针对参数化载荷的新颖代理建模策略,可在给定不同位置地震载荷时估计半无限域中的波传播。我们实施了多种数值实验来评估所提 PINN 模型在地震波传播正演建模中的性能。特别地,我们定义了多样的材料分布以测试该方法的通用性。结果表明在差异化场景下具有优异的解精度。
引用
@article{arxiv.2210.14044,
title = {SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain},
author = {Pu Ren and Chengping Rao and Su Chen and Jian-Xun Wang and Hao Sun and Yang Liu},
journal= {arXiv preprint arXiv:2210.14044},
year = {2022}
}
备注
22 pages