文献

J-GLOBAL ID：202202269522719538   整理番号：22A0630132

フィールドデータ研究によるマルチスケールデータ駆動地震全波形インバージョン【JST・京大機械翻訳】

Multiscale Data-Driven Seismic Full-Waveform Inversion With Field Data Study

著者 (3件)： Feng Shihang (Los Alamos National Laboratory, Theoretical Division, Los Alamos, NM, USA) ,  Lin Youzuo (Los Alamos National Laboratory, Earth and Environmental Sciences Division, Los Alamos, NM, USA) ,  Wohlberg Brendt (Los Alamos National Laboratory, Theoretical Division, Los Alamos, NM, USA)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4506114.1-14  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 地震計からの高分解能地下モデルを推定するための反復法を使用する地震完全波形反転(FWI)は,探査地球物理学における強力なイメージング技術である。近年,FWIの計算コストは地震データの大きさと分解能の増大により指数的に成長している。さらに,それは非凸問題であり,初期速度モデルの限られた精度と測定における低周波数の不在により局所極小に遭遇することができる。これらの計算問題を克服するために,完全畳込みネットワーク(FCN)に基づくマルチスケールデータ駆動FWI法を開発した。訓練データの作成において,まず,自然画像から合成地中速度モデルの大きな集合を作成するための実時間スタイル変換法を開発した。次に,サブ表面速度モデルの低周波および高周波成分を再構成するために,符号器-符号器構造を有する2つの畳み込みニューラルネットワークを開発した。データ駆動反転法の性能と合成訓練セットの有効性を検証するために,合成とフィールドデータの両方を用いた従来の物理ベース波形反転アプローチと比較した。これらの数値結果は,著者らのモデルが十分に訓練されたならば,従来のFWIと比較して,計算時間を著しく短縮し,より正確な表面下速度モデルを生み出すことができることを証明した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  地震計 ,  ネットワーク ,  逐次近似 ,  *地震 ,  *波形 ,  符号器 ,  モデル ,  LF【周波数】 ,  画像技術 ,  高分解能
準シソーラス用語： *マルチスケール ,  計算コスト ,  *データ駆動 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 地震探査  (DE10030B)

タイトルに関連する用語 (6件)： フィールド ,  研究 ,  マルチスケール ,  データ駆動 ,  地震 ,  波形インバージョン