Восстановление геофизических моделей упругих сред с применением нейронных сетей
Автор: Хайретдинов Марат Саматович, Караваев Дмитрий Алексеевич, Якименко Александр Александрович, Морозов Антон
Журнал: Проблемы информатики @problem-info
Рубрика: Прикладные информационные технологии
Статья в выпуске: 3 (48), 2020 года.
Бесплатный доступ
В работе представлены результаты исследования но восстановлению модели упругих сред с использованием нейронной сети. Разработаны две нейронные сети для идентификации объекта типа каверна в структуре модели геофизической среды: на основе LSTM-слоя, на основе U-nct архитектуры. В качестве каверны рассмотрен объект овальной формы, расположенный в прямоугольной модельной области. Обучение нейронной сети проведено на результатах решения прямой задачи геофизики но расчету волнового ноля от точечного источника в изотропной неоднородной среде. Представлено описание реализации нейронных сетей. На тестовых примерах показаны результаты работы обученных сетей по определению формы и положения кавернозного включения, а также сравнение времени обработки на тестовых примерах. Выявлено, что на кавернах произвольной формы нейронная сеть верно определяет местоположение объекта. Форма объекта при этом ошибочно определяется овальной.
Параллельный алгоритм, нейронная есть, lstm слой, u-nct архитектура, геофизическая среда, восстановление модели
Короткий адрес: https://sciup.org/143177892
IDR: 143177892
Список литературы Восстановление геофизических моделей упругих сред с применением нейронных сетей
- Khairetdinov, М., Karavaev, D., Yakimenko, A., Morozov, A. Practical aspects the restoring of velocity models of elastic media in the problems of the monitoring of the zones the underground nuclear explosions // International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM 19(2.1), P. 1019-1026.
- Levander A. Fourth-order finite difference P-SV seismograms // Geophysics 53, 1988. P. 1125-1436.
- Yakimenko A. A., Morozov A. E., Karavaev D. A. Practical aspects of using a neural network to solve inverse geophysical problems // Journal of Physics: Conference Series. 2018. V. 1015: International conference information technologies in business and industry, Tomsk, 2018. Art. 032148 (6 p.). DOI: 10.1088/1742-6596/1015/3/032148
- Gavrilov A. V., Maliavko A. A., Yakimenko A. A. Key-Threshold based spiking neural network // 2017 Second Russian-Pacific Conference on Computer Technology and Applications (RPC). IEEE 2017. P. 64-67. DOI: 10.1109/RPC.2017.8168069
- LeCun Y. and Bengio Y. The Handbook of Brain Theory and Neural Networks (MIT Press) Convolutional Networks for Images, Speech and Time-Series. 1995.
- Yue-Hei Ng, Joe and Hausknecht, Matthew and Vijavanarasimhan, Sudheendra and Vinvals, Oriol and Monga, Rajat and Toderici, George. Beyond short snippets: Deep networks for video classification // Proceedings of the IEEE conference on computer vision and pattern recognition, 2015. P. 4694-4702.
- Hveonwoo Noh, Seunghoon Hong, Bohvung Han. Learning Deconvolution Network for Semantic Segmentation // Proceedings of the 2015 IEEE International Conference on Computer Vision (ICCV), December 07-13, 2015. P. 1520-1528, [ ]. DOI: 10.1109/ICCV.2015.178
- Ronneberger, O., Fischer, P., Brox, T.: U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention. 2015. P. 234-241.
- Y. Le Cun. A theoretical framework for back-propagation // Proceedings of the 1988 Connectionist Models Summer School, CMU, Pittsburgh, Pa, 1988, P. 21-28.
