Multilayer Perceptron and Bayesian Neural Network-Based Elastic Implicit Full Waveform Inversion
Notice bibliographique
Résumé
We introduce and analyze the elastic implicit full waveform inversion (EIFWI) of seismic data, which uses neural networks to generate elastic models and perform full waveform inversion. EIFWI carries out inversion by linking two main networks: a neural network that generates elastic models and a recurrent neural network to perform the modeling. The approach is distinct from conventional waveform inversion in two key ways. First, it reduces reliance on accurate initial models relative to conventional FWI. Instead, it invokes general information about the target area, for instance, estimates of means and standard deviations of medium properties in the target area or, alternatively, well-log information in the target area. Second, iterative updating directly affects the weights in the neural network rather than the elastic model. Elastic models can be generated in the first part of the EIFWI process in either of two ways: through the use of a multilayer perceptron (MLP) network or a Bayesian neural network (BNN). Numerical testing is suggestive that the MLP-based EIFWI approach in principle builds accurate models in the absence of an explicit initial model, and the BNN-based EIFWI can give the uncertainty analysis for the prediction results.
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 | 0,000 | 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 ».