Enhanced Difference Algorithm For Seismic Modeling Based On Fruit Fly Optimization
Notice bibliographique
Résumé
ABSTRACT The acoustic wave equation is an important basis for seismic wave propagation, imaging, and migration. This equation has led to the development of finite difference methods, but these methods are prone to numerical instability and grid dispersion problems, with the issue of dispersion being the most vital. Optimization methods can improve the accuracy across a large range of wavenumbers or frequencies. In this paper, we present a novel evolutionary optimization scheme for the acoustic wave equation. Our approach involves combining the fruit fly optimization algorithm (FOA) and sampling approximation (SA) to obtain the optimal difference operator for a wide range of wavenumbers. The difference coefficients are optimized to be extracted by the FOA, and the function of fitness, which is used to introduce an iterative process to determine the best smells, is evaluated by acoustic wave simulations. Based on the space-domain dispersion relation, we prove that the accuracy with which the absolute error is minimized is the same as that of the relative error. Within a given range of wavenumbers, we propose a fitness function by minimizing the absolute errors of the space-domain dispersion relation, and the dispersion analysis reveals that this scheme is superior to the Taylor-expansion scheme. We conduct two experiments by applying homogeneous and complex models, respectively. Further, the modeling results indicate that the fruit fly optimization approach in conjunction with sampling approximation preserve a higher accuracy for a small operator length and reduce the numerical artifacts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».