A physics‐guided neural network‐based approach to velocity model calibration for microseismic data
Notice bibliographique
Résumé
ABSTRACT The physics‐guided neural network framework combines the effectiveness of data‐driven and physics‐based models, and it is, therefore, becoming increasingly popular in geophysical applications. We present a physics‐guided neural network–based approach to calibrate velocity models for microseismic data. In our implementation, the physics‐guided neural network comprises of a user‐selected number of fully connected layers, a scaling and shifting layer and a forward modelling operator layer. We input the observed P‐ and S‐wave arrival times to the neural network. In the forward pass, the network's output layer produces normalized P‐ and S‐wave velocities for the subsurface model. The scaling and shifting layer converts the normalized output to realistic velocity values. The forward modelling operator (i.e. a ray‐shooting algorithm) layer computes traveltimes using the velocities from the preceding scaling and shifting layer and the known source–receiver locations. We then evaluate a loss function that compares the predicted traveltimes with the input observed arrival times, and update network's weights and bias parameters. We also use a weight‐based saliency measure to evaluate whether the selected network architecture (i.e. number of hidden layers and neurons) is optimal for the model calibration problem. Finally, using synthetic data examples, we demonstrate that our unsupervised physics‐guided neural network–based approach can provide robust velocity model and uncertainty estimates.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».