CN113468466B - 基于神经网络的一维波动方程求解方法 - Google Patents
基于神经网络的一维波动方程求解方法 Download PDFInfo
- Publication number
- CN113468466B CN113468466B CN202110837611.1A CN202110837611A CN113468466B CN 113468466 B CN113468466 B CN 113468466B CN 202110837611 A CN202110837611 A CN 202110837611A CN 113468466 B CN113468466 B CN 113468466B
- Authority
- CN
- China
- Prior art keywords
- neural network
- displacement
- training
- equation
- wave equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/67—Wave propagation modeling
- G01V2210/675—Wave equation; Green's functions
Abstract
基于神经网络的多工况一维波动方程求解方法,本发明属于地震工程领域,它为了解决神经网络求解不同工况下的一维波动方程耗时费力的问题。一维波动方程求解方法:一、选择一维波动方程作为待求解的方程;二、确定输入变量的求解域与残差点数量;三、建立包含6个隐藏层的全连接层神经网络;四、设计特定的损失函数;五、神经网络的预训练及精细化训练。本发明将波速作为输入,提出一种基于神经网络的一维波动方程求解方法,使得模型能学习到不同工况对于方程解的影响,在保持高求解精度的前提下,泛定方程与应力条件的加入也增加了求解方法的可解释性。
Description
技术领域
本发明属于地震工程领域,具体涉及一种基于神经网络求解多工况一维波动方程进而实现地震动模拟的方法。
背景技术
伴随着经济发展,城镇化速度加快,特大城市及城市群的出现,这些都对单体结构,建筑群乃至整座城市的抗震韧性提出了更高的挑战。地震动场的建立是进行结构抗震韧性设计、评估的前提。如何快速、准确的模拟地震动场也是学界一直在研究的热门。地震动场与地震波在介质中的传播息息相关。根据表示定理,地震动可以表示为格林函数与震源的卷积,而格林函数通常通过求解波动方程得到,因此求解波动程是地震动模拟中至关重要的一步。
近年来随着计算机技术的发展,神经网络被越来越广泛的应用于地球物理、地震工程等领域,然而大多神经网络的训练需要大量的训练数据,不同工况需要训练不同的神经网络模型,耗时费力,并且得到的“黑箱”模型缺乏物理规律的限制,难以解释。
发明内容
本发明的目的是为了解决神经网络求解不同工况下的一维波动方程耗时费力的问题,而提供一种基于神经网络的多工况一维波动方程求解方法。
本发明基于神经网络的多工况一维波动方程求解方法按照以下步骤实现:
步骤一、建立控制方程,各向同性介质中一维地震波动方程如下:
其中V表示波速,u表示(x,t)坐标下质点的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],残差点数量为400~800个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中ureal代表位移真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,再使用L-BFGS-B算法进行求解(精细训练),从而完成多工况一维波动方程求解。
本发明基于神经网络的多工况一维波动方程求解方法按照以下步骤实现:
步骤一、建立控制方程:各向同性介质中一维地震波动方程,该方程考虑y方向位移引起的x方向的应力:
其中VP为地震P波波速,VS为地震S波波速,ρ为介质密度,σxx和σxy为x方向上的两个应力分量,ux表示x方向的位移,uy表示y方向的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],VP的取值为0~2km/s,VS的取值为0~2km/s,残差点数量取为800~1200个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中uxreal为x方向位移真实值,uyreal为y方向位移真实值,σxxreal为x方向上的位移引起的x方向应力的真实值,σxyreal为y方向上的位移引起的x方向应力的真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,再使用L-BFGS-B算法进行求解(精细训练),从而完成多工况一维波动方程求解。
本发明将波速作为输入,提出一种基于神经网络的一维波动方程求解方法,使得模型能学习到不同工况对于方程解的影响,在保持高求解精度的前提下,泛定方程作为求解的基本方程,控制着输入数据与输出数据间最基本的数理规律,应力条件的加入使得方程的求解受到了具体物理过程的控制,在神经网络这一数据驱动的方法里引入了物理条件后,使得训练收敛更快,模型对数据的以来依赖更少,同时增加了本发明一维波动方程求解方法的可解释性。
本发明采用一维波动方程作为控制方程,将不同波速输入网络进行训练,使网络能够进行多工况下的方程求解,在保证了求解精度的同时,省去了针对不同工况不断训练网络的繁琐。
本发明提出了一种求解一维波动方程的新方法,以应用于地震学、地震监测等领域。
附图说明
图1为实施例基于神经网络的多工况一维波动方程求解方法的总体框架流程图;
图2为实施例一中求解一维波动方程的深度神经网络结构图;
图3为实施例二中求解一维波动方程的深度神经网络结构图;
图4为实施例一中损失函数Loss的下降曲线图,其中1代表训练总误差,2代表数据误差,3代表方程误差;
图5为实施例二中损失函数Loss下降曲线图,图中1代表训练总误差,2代表x方向位移数据误差,3代表y方向位移数据误差,4代表x方向位移引起的x方向应力数据误差;5代表y方向位移引起的x方向应力数据误差,6代表x方向位移引起的x方向应力方程误差,7代表y方向位移引起的x方向应力方程误差,8代表x方向位移方程误差,9代表y方向位移方程误差;
图6为实施例一中求解结果与解析解对比散点图,其中1(u*)代表求解结果,2(u)代表解析解;
图7为实施例二中x方向位移求解结果与解析解对比散点图,求解结果与解析解基本重合,ux*代表求解结果,ux代表解析解;
图8为实施例二中y方向位移求解结果与解析解对比散点图,求解结果与解析解基本重合,uy*代表求解结果,uy代表解析解;
图9为实施例二中x方向位移引起的x方向应力求解结果与解析解对比散点图,求解结果与解析解基本重合,其中sigmaxx*代表求解结果,sigmaxx代表解析解;
图10为实施例二中y方向位移引起的x方向应力求解结果与解析解对比散点图,求解结果与解析解基本重合,其中sigmaxy*代表求解结果,sigmaxy代表解析解;
图11为实施例一中的绝对误差分布图;
图12为实施例二中x方向位移的绝对误差分布图;
图13为实施例二中y方向位移的绝对误差分布图;
图14为实施例二中x方向位移引起的x方向应力的绝对误差分布图;
图15为实施例二中y方向位移引起的x方向应力的绝对误差分布图。
具体实施方式
具体实施方式一:本实施方式基于神经网络的多工况一维波动方程求解方法按照以下步骤实施:
步骤一、建立控制方程,各向同性介质中一维地震波动方程如下:
其中V表示波速,u表示(x,t)坐标下质点的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],残差点数量为400~800个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中ureal代表位移真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,再使用L-BFGS-B算法进行求解,从而完成多工况一维波动方程求解。
具体实施方式二:本实施方式与具体实施方式一不同的是步骤二中残差点数量为500个。
具体实施方式三:本实施方式与具体实施方式一或二不同的是步骤三中每个隐藏层包含40个神经元。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是步骤五中所述的Adam自适应优化函数算法如下:
(1)计算梯度的一阶矩估计和二阶矩估计,计算公式为:
mt=β1·mt-1+(1-β1)·gt,νt=β2·νt-1+(1-β2)·gt 2;
式中,gt为梯度,其中mt为梯度的t时刻平均值,νt为梯度的t时刻非中心方差值,mt-1为梯度的t-1时刻平均值,Vt-1为梯度的t-1时刻非中心方差值,矩估计的指数衰减速率β1和β2在区间[0,1)内,β1取0.9,β2取0.999;
(2)对一阶矩估计和二阶矩估计的校正,计算公式为:
(3)参数更新的最终公式为:
式中,θt为更新的参数,η为学习率,ε为用于数值稳定的小常数,ε取10-8。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是步骤五中预训练轮次10000次,批大小(Batchsize)为1000,学习率为0.0025。
具体实施方式六:本实施方式基于神经网络的多工况一维波动方程求解方法按照以下步骤实现:
步骤一、建立控制方程:各向同性介质中一维地震波动方程,该方程考虑y方向位移引起的x方向的应力:
其中VP为地震P波波速,VS为地震S波波速,ρ为介质密度,σxx和σxy为x方向上的两个应力分量,ux表示x方向的位移,uy表示y方向的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],VP的取值为0~2km/s,VS的取值为0~2km/s,残差点数量为800~1200个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中uxreal为x方向位移真实值,uyreal为y方向位移真实值,σxxreal为x方向上的位移引起的x方向应力的真实值,σxyreal为y方向上的位移引起的x方向应力的真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,再使用L-BFGS-B算法进行求解,从而完成多工况一维波动方程求解。
具体实施方式七:本实施方式与具体实施方式六不同的是步骤二中残差点数量为1000个。
具体实施方式八:本实施方式与具体实施方式六或七不同的是步骤三中每个隐藏层包含40个神经元。
具体实施方式九:本实施方式与具体实施方式六至八之一不同的是步骤五中预训练轮次10000次。
具体实施方式十:本实施方式与具体实施方式九不同的是预训练批大小(Batchsize)为1000,学习率为0.0025。
实施例一:本实施例基于神经网络的多工况一维波动方程求解方法按照以下步骤实施:
步骤一、建立控制方程:各向同性介质中一维地震波动波动方程:
其中V表示波速,u表示(x,t)坐标下质点的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],残差点数量为500个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,每个隐藏层包含40个神经元,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数包含数据误差与方程误差(只包含位移),损失函数的公式如下:
其中ureal代表位移真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,训练轮次10000次,批大小(Batchsize)为1000,学习率为0.0025,再使用L-BFGS-B算法进行求解,从而完成多工况一维波动方程求解。
该神经网络训练数据源于固定区间内的随机采样,本实施例完成多工况一维波动方程求解后能够获得格林函数,从而实现地震动模拟,图4表示训练结束时,网络误差趋于稳定,图6说明网络的求解结果与解析解吻合较好,图11展示了绝对误差的分布,说明误差均保持在小量级。
实施例二:本实施例基于神经网络的多工况一维波动方程求解方法按照以下步骤实现:
步骤一、建立控制方程:各向同性介质中一维地震波动方程,该方程考虑y方向位移引起的x方向的应力:
其中VP为地震P波波速,VS为地震S波波速,ρ为介质密度,σxx,σxy为x方向上的两个应力分量,ux表示x方向的位移,uy表示y方向的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],VP的取值为0~2km/s,VS的取值为0~2km/s,残差点数量为1000个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,每个隐藏层包含40个神经元,采用双曲正切函数(Tanh)为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中uxreal为x方向位移真实值,uyreal为y方向位移真实值,σxxreal为x方向上的位移引起的x方向应力的真实值,σxyreal为y方向上的位移引起的x方向应力的真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,预训练轮次10000次,批大小(Batchsize)为1000,学习率为0.0025,再使用L-BFGS-B算法进行求解,从而完成多工况一维波动方程求解。
本实施例完成多工况一维波动方程求解后能够获得格林函数,从而实现地震动模拟,图5表示训练结束时,网络误差趋于稳定,图7-图10说明网络的求解结果与解析解吻合较好,图12-图15展示了绝对误差的分布,说明误差均保持在小量级。
Claims (5)
1.基于神经网络的一维波动方程求解方法,其特征在于该一维波动方程求解方法按下列步骤实现:
步骤一、建立控制方程:各向同性介质中一维地震波动方程,该方程考虑y方向位移引起的x方向的应力:
其中VP为地震P波波速,VS为地震S波波速,ρ为介质密度,σxx和σxy为x方向上的两个应力分量,ux表示x方向的位移,uy表示y方向的位移;
步骤二、确定求解域与残差点数量:
设定x的求解域为[0,1],t的求解域为[0,1],VP的取值为0~2km/s,VS的取值为0~2km/s,残差点数量为800~1200个;
步骤三、建立深度神经网络:
建立包含6个隐藏层的全连接层神经网络,采用双曲正切函数为激活函数,得到深度神经网络模型;
步骤四、损失函数设计:
使用损失函数表征是否训练收敛,损失函数的公式如下:
其中uxreal为x方向位移真实值,uyreal为y方向位移真实值,σxxreal为x方向上的位移引起的x方向应力的真实值,σxyreal为y方向上的位移引起的x方向应力的真实值;
步骤五、网络训练:
以步骤四中的损失函数为目标函数进行网络的训练,采用Adam自适应优化函数算法进行预训练,再使用L-BFGS-B算法进行求解,从而完成一维波动方程求解。
2.根据权利要求1所述的基于神经网络的一维波动方程求解方法,其特征在于步骤二中残差点数量为1000个。
3.根据权利要求1所述的基于神经网络的一维波动方程求解方法,其特征在于步骤三中每个隐藏层包含40个神经元。
4.根据权利要求1所述的基于神经网络的一维波动方程求解方法,其特征在于步骤五中预训练轮次10000次。
5.根据权利要求4所述的基于神经网络的一维波动方程求解方法,其特征在于预训练批大小为1000,学习率为0.0025。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837611.1A CN113468466B (zh) | 2021-07-23 | 2021-07-23 | 基于神经网络的一维波动方程求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837611.1A CN113468466B (zh) | 2021-07-23 | 2021-07-23 | 基于神经网络的一维波动方程求解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468466A CN113468466A (zh) | 2021-10-01 |
CN113468466B true CN113468466B (zh) | 2022-04-15 |
Family
ID=77882126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837611.1A Active CN113468466B (zh) | 2021-07-23 | 2021-07-23 | 基于神经网络的一维波动方程求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468466B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114966840B (zh) * | 2022-05-24 | 2023-04-07 | 哈尔滨工业大学 | 基于通解神经网络的三维地震波场的模型建立方法 |
CN115081274B (zh) * | 2022-06-10 | 2023-05-30 | 哈尔滨工业大学 | 基于循环神经网络的无网格三维地震波场的建立方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750954A (zh) * | 2013-12-27 | 2015-07-01 | 中国石油天然气集团公司 | 一种在复杂各向异性介质中模拟地震波的方法及装置 |
CN106759538A (zh) * | 2016-12-21 | 2017-05-31 | 杨晓东 | 一种基于频域分析的低应变检测方法 |
CN109490947A (zh) * | 2018-10-16 | 2019-03-19 | 中国科学院地质与地球物理研究所 | 一种高温介质地震波传播模拟方法 |
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN111275677A (zh) * | 2020-01-17 | 2020-06-12 | 哈尔滨工业大学 | 一种基于卷积神经网络的天花板震害的识别方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111709072A (zh) * | 2020-06-01 | 2020-09-25 | 哈尔滨工业大学 | 一种地下地震动幅值参数预测方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
CN112285776A (zh) * | 2020-10-23 | 2021-01-29 | 中国矿业大学(北京) | 一种基于深度学习的地震速度自动拾取方法 |
CN112649848A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 利用波动方程求解地震波阻抗的方法和装置 |
CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7529154B2 (en) * | 2007-09-28 | 2009-05-05 | The United States Of America As Represented By The Secretary Of The Army | Hybrid thin film heterostructure modular vibration control apparatus and methods for fabrication thereof |
CA2810960A1 (en) * | 2010-09-28 | 2012-04-05 | Rene-Edouard Andre Michel Plessix | Earth model estimation through an acoustic full waveform inversion of seismic data |
BR112021011246A2 (pt) * | 2018-12-11 | 2021-08-24 | Exxonmobil Upstream Research Company | Inversão guiada por interpretação sísmica automatizada |
CN111666721B (zh) * | 2020-06-19 | 2021-05-25 | 中国科学院地质与地球物理研究所 | 全波形反演方法、装置及电子设备 |
CN112560342A (zh) * | 2020-12-15 | 2021-03-26 | 哈尔滨工程大学 | 一种基于dnn的大气波导参数估计方法 |
CN112733449B (zh) * | 2021-01-11 | 2022-12-02 | 中国海洋大学 | 一种cnn井震联合反演方法、系统、存储介质、设备及应用 |
CN112946749B (zh) * | 2021-02-05 | 2022-05-20 | 北京大学 | 基于数据增广训练深度神经网络压制地震多次波的方法 |
CN113568043B (zh) * | 2021-07-23 | 2022-05-24 | 哈尔滨工业大学 | 基于深度卷积神经网络的三阶段震相拾取方法 |
-
2021
- 2021-07-23 CN CN202110837611.1A patent/CN113468466B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750954A (zh) * | 2013-12-27 | 2015-07-01 | 中国石油天然气集团公司 | 一种在复杂各向异性介质中模拟地震波的方法及装置 |
CN106759538A (zh) * | 2016-12-21 | 2017-05-31 | 杨晓东 | 一种基于频域分析的低应变检测方法 |
CN109490947A (zh) * | 2018-10-16 | 2019-03-19 | 中国科学院地质与地球物理研究所 | 一种高温介质地震波传播模拟方法 |
CN112649848A (zh) * | 2019-10-12 | 2021-04-13 | 中国石油化工股份有限公司 | 利用波动方程求解地震波阻抗的方法和装置 |
CN111257934A (zh) * | 2020-01-17 | 2020-06-09 | 哈尔滨工业大学 | 基于二阶神经元深度神经网络的地震动峰值加速度预测方法 |
CN111275677A (zh) * | 2020-01-17 | 2020-06-12 | 哈尔滨工业大学 | 一种基于卷积神经网络的天花板震害的识别方法 |
CN111562611A (zh) * | 2020-04-08 | 2020-08-21 | 山东大学 | 基于波动方程驱动的半监督深度学习地震数据反演方法 |
CN111709072A (zh) * | 2020-06-01 | 2020-09-25 | 哈尔滨工业大学 | 一种地下地震动幅值参数预测方法 |
CN111983676A (zh) * | 2020-07-07 | 2020-11-24 | 东华理工大学 | 一种基于深度学习的地震监测方法及装置 |
CN112285776A (zh) * | 2020-10-23 | 2021-01-29 | 中国矿业大学(北京) | 一种基于深度学习的地震速度自动拾取方法 |
CN112925012A (zh) * | 2021-01-26 | 2021-06-08 | 中国矿业大学(北京) | 地震全波形反演方法及装置 |
Non-Patent Citations (8)
Title |
---|
ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION;Diederik P. Kingma等;《arXiv:1412.6980v3》;20150227;1-13 * |
General solutions for nonlinear differential equations: a deep reinforcement learning approach;Shiyin Wei等;《https://arxiv.org/abs/1805.07297v2》;20190529;正文第2、3.4节 * |
NSFnets (Navier-Stokes Flow nets): Physics-informed neural networks for the incompressible Navier-Stokes equations;Xiaowei Jin等;《arXiv:2003.06496v1》;20200313;1-35 * |
Solving the wave equation with physics-informed deep learning;B. Moseley等;《arXiv:2006.11894v1》;20200621;正文第I-II部分 * |
一维波动方程的小波解法;张钦礼等;《华北航天工业学院学报》;20010330;第11卷(第1期);45-48 * |
主余震地震动特征及结构地震反应分析;籍多发;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20190115(第01期);C038-36 * |
基于循环神经网络的多参数全波形反演;刘思桐;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20210115(第01期);A002-1335 * |
非均匀层状介质一维波动方程精确解的有限差分算法;范留明;《岩土力学》;20130930;第34卷(第09期);2715-2720 * |
Also Published As
Publication number | Publication date |
---|---|
CN113468466A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113468466B (zh) | 基于神经网络的一维波动方程求解方法 | |
CN111324990A (zh) | 基于多层长短期记忆神经网络模型的孔隙度预测方法 | |
CN106875002A (zh) | 基于梯度下降法与广义逆的复值神经网络训练方法 | |
CN104297785A (zh) | 岩相约束储层物性参数反演方法及装置 | |
CN108563837B (zh) | 一种冲积河流水沙模型的模型参数实时校正方法和系统 | |
CN107894618B (zh) | 一种基于模型平滑算法的全波形反演梯度预处理方法 | |
CN112733449A (zh) | 一种cnn井震联合反演方法、系统、存储介质、设备及应用 | |
CN111126220B (zh) | 一种视频监控目标实时定位方法 | |
CN109919082A (zh) | 基于lstm与emd的模态识别方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN114861519A (zh) | 复杂地质条件下初始地应力场加速优化反演方法 | |
CN110705183A (zh) | 一种带缓冲区的多层网格lbm演化方法 | |
CN116415482A (zh) | 基于图神经网络MeshGraphNets的机翼流场分析方法 | |
KR20200028801A (ko) | 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치 | |
CN110568497B (zh) | 一种复杂介质条件下地震初至波旅行时的精确求解方法 | |
CN117010260A (zh) | 一种裂缝性油藏自动历史拟合模型预测方法、系统及设备 | |
CN114548400A (zh) | 一种快速灵活全纯嵌入式神经网络广域寻优训练方法 | |
CN106777918A (zh) | 基于导波和模糊算法的功能梯度结构材料特性的反演方法 | |
CN115796244B (zh) | 一种超非线性输入输出系统基于cff的参数辨识方法 | |
CN114966840B (zh) | 基于通解神经网络的三维地震波场的模型建立方法 | |
CN113850366B (zh) | 一种基于lstm的预测目标运动的方法 | |
CN113269309B (zh) | 适用于微弱信号提取的rbf神经网络改进ukf方法 | |
CN117709195A (zh) | 考虑地质不确定性的深度强化学习注采优化调控方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |