Can Normalizing Flows make Uncertainty Quantification Practical for Time-Lapse Seismic Monitoring
Notice bibliographique
Résumé
Due to the nonlinearity of inversion as well as the noise in the data, seismic inversion results certainly have uncertainties. Whether quantifying these uncertainties is useful depends at least in part on the computational cost of computing them. Bayesian techniques dominate uncertainty quantification for seismic inversion. The goal of these methods is to estimate the probability distribution of the model parameters given the observed data. The Markov Chain Monte Carlo algorithm is widely employed for approximating the posterior distribution. However, generating the posterior samples by combining the prior and the likelihood is intractable for large problems and challenging for smaller problems. We apply a machine learning method called normalizing flows, which consists of a series of invertible and differentiable transformations, as an alternative to the sampling-based methods. In our work, the normalizing flows method is combined with full waveform inversion(FWI) using a numerically exact local solver to quantify the uncertainty of time-lapse changes. We integrate uncertainty quantification(UQ) and FWI by estimating UQ on the images generated by FWI making it computationally practical. In this way, a reasonable posterior probability distribution is directly predicted and produced by transforming from a normal distribution, measuring the amount and spread of variation in FWI images by sample mean and standard deviation. In our numerical results, the method for calculating the posterior distribution of the model is verified to be practical and advantageous in terms of effectiveness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».