Fast forward modeling of magnetotelluric data in complex continuous media using an extended Fourier DeepONet architecture
Notice bibliographique
Résumé
ABSTRACT The calculations of magnetotelluric (MT) responses play a fundamental role in the inversion and resolution analysis of MT problems. Conventional numerical methods for forward modeling involve solving a large system of linear equations. Although these methods provide accurate and stable solutions, they are computationally expensive as the model size increases. In this study, we develop an efficient forward-modeling network using an extended Fourier DeepONet (EFDO) architecture for fast MT forward modeling in complex continuous media. By efficiently learning the mapping of differential operators from the conductivity models to the MT responses, the EFDO framework can effectively approximate the MT forward operator. Once trained, it can instantaneously predict the MT responses for complex continuous resistivity models under identical model discretization conditions. We first compare the accuracy of the EFDO with a conventional finite volume (FV)-based forward-modeling solver and the existing deep-learning (DL)-based modeling schemes. Numerical experiments demonstrate that the MT responses predicted by the EFDO exhibit high conformity with the solutions computed by the FV method. Compared with other DL-based solvers, such as the extended Fourier neural operator and the UNet-Fourier neural operator, EFDO indicates superior prediction accuracy while significantly reducing training resource requirements. In addition, EFDO exhibits excellent generalization, maintaining outstanding prediction performance for the untrained frequencies of the same class samples. The EFDO can predict the MT responses at approximately 200 times the speed of the FV solver. The huge improvement in computational speed makes the EFDO a feasible solver for high-dimensional MT stochastic inversions, which require many forward evaluations.
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 | 0,001 | 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 ».