Inversion for Shear-Tensile Focal Mechanisms Using an Unsupervised Physics-Guided Neural Network
Notice bibliographique
Résumé
Abstract We present a novel physics-guided neural network to estimate shear-tensile focal mechanisms for microearthquakes using displacement amplitudes of direct P waves. Compared with conventional data-driven fully connected (FC) neural networks, our physics-guided neural network is implemented in an unsupervised fashion and avoids the use of training data, which may be incomplete or unavailable. We incorporate three FC layers and a scaling and shifting layer to estimate shear-tensile focal mechanisms for multiple events. Then, a forward-modeling layer, which generates synthetic amplitude data based on the source mechanisms emerging from the previous layer, is added. The neural network weights are iteratively updated to minimize the mean squared error between observed and modeled normalized P-wave amplitudes. We apply this machine-learning approach to a set of 530 induced events recorded during hydraulic-fracture simulation of Duvernay Shale west of Fox Creek, Alberta, yielding results that are consistent with previously reported source mechanisms for the same dataset. A distinct cluster characterized by more complex mechanisms exhibits relatively large Kagan angles (5°–25°) compared with the previously reported best double-couple solutions, mainly due to model simplification of the shear-tensile focal mechanism. Uncertainty tests demonstrate the robustness of the inversion results and high tolerance of our neural network to errors in event locations, the velocity model, and P-wave amplitudes. Compared with a single-event grid-search algorithm to estimate shear-tensile focal mechanisms, the proposed neural network approach exhibits significantly higher computational efficiency.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».