Восстановление геофизических моделей упругих сред с применением нейронных сетей
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.
Похожие статьи в разделе Геофизика
Короткий адрес: https://sciup.org/143177892
IDS: 143177892 | УДК: 550.34:
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.
