詹姆斯·哈特利。;杰·罗伯茨;凯尔·米洛纳基斯;杨旭 使用冻结高斯近似进行深度学习地震子结构检测。 (英语) Zbl 1435.86002号 J.计算。物理学。 409,文章ID 109313,19 p.(2020). 小结:我们提出了一种利用冻结高斯近似(FGA)有效生成的合成高频位移数据训练神经网络的地震界面和空洞检测深度学习算法。在地震成像中,高频数据具有优势,因为它可以提供子结构的高分辨率。然而,为训练神经网络生成足够的合成高频数据集在计算上具有挑战性。基于FGA的高度可扩展计算平台克服了这一瓶颈,FGA来源于半经典理论,通过固定宽度(冻结)高斯波包的总和来近似波场。深度神经网络的训练数据是使用FGA从弹性波方程的正向模拟中生成的。该数据包含准确的旅行时信息(来自射线路径),但不包含准确的振幅信息(即使在非常精细的数值分辨率下,渐近误差也不会缩小到零)。利用这些数据,我们使用开源API GeoSeg构建了卷积神经网络模型,GeoSeg是使用Keras和Tensorflow开发的。在一个简单的模型上,尽管网络仅根据FGA生成的数据进行训练,但可以从谱元方法生成的位移数据中检测成功率高的接口。对使用FGA和谱元方法生成的P波(声波)和P波和S波(弹性波)进行基准测试。此外,对于更复杂的几何形状,包括三层模型、正弦界面和2D口袋模型,显示了具有高精度的结果,其中神经网络由干净和有噪声的数据训练。 引用于1文件 MSC公司: 86甲15 地震学(包括海啸建模)、地震 62M40型 随机字段;图像分析 62M45型 神经网络及从随机过程推断的相关方法 关键词:地震层析成像;卷积神经网络;弹性波动方程;高频波场;冻结高斯近似;图像分割 软件:掌中宽带 PDF格式BibTeX公司 XML格式引用 \textit{J.C.Hateley}等人,J.Compute。物理学。409,文章ID 109313,19 p.(2020;Zbl 1435.86002) 全文: DOI程序 arXiv公司 参考文献: [1] Aki,K。;Lee,W.,利用局部地震的初至P时间确定地震阵列下的三维速度异常1。均质初始模型,J.Geophys。研究,81,4381-4399(1976) [2] Araya-Polo,M。;Dahlke,T。;Frogner,C。;张,C。;Poggio,T。;Hohl,D.,无需地震处理的自动故障检测,Lead。Edge,36,3,208-214(2017) [3] Araya-Polo,M。;詹宁斯,J。;阿德勒。;Dahlke,T.,深度学习断层扫描,领导。Edge,37,1,58-66(2018) [4] Chai,L。;Tong,P。;Yang,X.,三维地震波传播的冻结高斯近似,地球物理。《国际期刊》,208,1,59-74(2017) [5] Dozat,T.,将Nesterov Momentum纳入Adam(2016),ICLR研讨会 [6] Dziewonski,A.M。;Anderson,D.L.,初步参考地球模型,Phys。地球行星。埋。,25, 4, 297-356 (1981) [7] 格洛洛特,X。;Bordes,A。;Bengio,Y.,深度稀疏整流器神经网络(AISTATS(2011)) [8] 哈特利,J.C。;杨,X。;Chai,L。;Tong,P.,《三维弹性波方程和地震层析成像的冻结高斯近似》,地球物理。国际期刊,216,213394-1412(2019) [9] He,K。;张,X。;任,S。;Sun,J.,图像识别的深度剩余学习(2015),CoRR [10] He,K。;张,X。;任,S。;Sun,J.,图像识别的深度剩余学习,(IEEE计算机视觉和模式识别会议论文集(2016)),770-778 [11] 黄,G。;刘,Z。;Weinberger,K.Q.,《紧密连接卷积网络》(2016),CoRR [12] 洛夫,S。;Szegedy,C.,《批量规范化:通过减少内部协变量偏移加快深层网络培训》(2015),CoRR [13] LeCun,Y。;Y.本吉奥。;Hinton,G.E.,《深度学习》,《自然》,521,7553,436-444(2015) [14] 卢,J。;Yang,X.,一般线性严格双曲系统的冻结高斯近似:公式和欧拉方法,多尺度模型。模拟。,10, 451-472 (2012) ·Zbl 1447.81130号 [15] 穆萨维·德兹万利,S。;Fawzi,A。;Fawzi,O。;Frossard,P.,《普遍对抗扰动》(2016),CoRR [16] Nakamichi,H。;Hamaguchi,H。;田中,S。;Ueki,S。;西村,T。;长谷川,A.,岩手火山下深层和中深层低频地震的震源机制,日本东北部,地球物理。《国际期刊》,154,3,811-828(2003) [17] 佩罗,T。;加尔比,M。;Denolle,M.,地震探测和定位的卷积神经网络,科学。高级,4,2(2018) [18] Rahman,医学硕士。;Wang,Y.,优化深度神经网络中用于图像分割的交叉-重叠,(视觉计算国际研讨会(2016)),234-244 [19] 罗林森,N。;波兹盖,S。;Fishwick,S.,《地震层析成像:深入地球深处的窗口》,Phys。地球行星。国际。,178, 3-4, 101-135 (2010) [20] Romanowicz,B.,《地幔地震层析成像》,Annu。Rev.地球行星。科学。,19, 77-99 (1991) [21] O.Ronneberger。;菲舍尔,P。;布罗克斯。U-net,T.,生物医学图像分割的卷积网络(2015),CoRR [22] 谢尔哈默,E。;Long,J。;Darrell,T.,语义分割的完全卷积网络,(2015 IEEE计算机视觉和模式识别会议,2015 IEEE电脑视觉和模式辨识会议,CVPR(2015)),3431-3440 [23] 斯普林伯格,J.T。;多索维茨基,A。;布罗克斯,T。;Riedmiller,M.A.,《追求简单:全卷积网络》(2014),CoRR [24] 塞格迪,C。;Zaremba,W。;Sutskever,I。;布鲁纳,J。;Erhan,D。;古德费罗,I.J。;Fergus,R.,《神经网络的有趣特性》(2013),CoRR [25] 魏,D。;Yang,X.,欧拉-高斯光束法,用于单向不连续非均匀介质中高频波的传播,Commun。数学。科学。,10, 1287-1299 (2012) ·Zbl 1447.81236号 [26] Wu,Y。;林,Y。;Zhou,Z。;博尔顿特区。;刘,J。;Johnson,P.,DeepDetect:用于地震事件检测的基于级联区域的密集连接网络,(IEEE地球科学与遥感汇刊(2018)),1-14 [27] Yilmaz,O.,《地震数据分析:地震数据的处理、反演和解释》(2001年),勘探地球物理学家学会 [28] 张,Z。;刘,Q。;Wang,Y.,《深部残余u-net道路开采》(2017年),CoRR [29] Zhao,D.,《西太平洋俯冲带的层析成像和动力学》,Monogr。环境。地球行星,1,1-70(2012) [30] 朱伟。;Beroza,G.C.,PhaseNet:一种基于深度神经网络的地震到达时间拾取方法,Geophys。《国际期刊》,216,1,261-273(2019) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。