Numerical analysis of a deep learning formulation of multi-parameter elastic full waveform inversion
Notice bibliographique
Résumé
In this paper, we formulate seismic full waveform inversion within a deep learning environment. We are motivated both by the possibilities of incorporating the training of multiple datasets with the relatively low dimensionality of theoryguided network design and by the fact that by doing so we implement an FWI algorithm ready-made for new computational architectures. A recurrent neural network is set up with rules enforcing elastic wave propagation, with the wavefield projected onto a measurement surface acting as the labeled data to be compared with observed seismic data. Training this network amounts to carrying out elastic FWI. Based on the Automatic Differential method, the gradients can be accurately and efficiently constructed by inspection and use of the computational graph, a gradient which acts to update the elastic model. Under the theory-guided network design, the Automatic Differential method provide efficiency and flexibility for different misfits and parameterization alterations. We use different misfits, which are the l2, l1 and Huber norm, to improve the inversion results for parameters in eFWI. We also prepare our approach to mitigate cross-talk, which is a general property of multiparameter full waveform inversion algorithms, by allowing relative freedom to vary the eFWI parameterizations. Presentation Date: Tuesday, October 13, 2020 Session Start Time: 1:50 PM Presentation Time: 3:05 PM Location: 351F Presentation Type: Oral
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 | 0,001 |
| 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) | 0,002 | 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 ».