Abstract: Представлен новый подход к построению обучающей выборки для NDM-net (Numerical dispersion mitigation neural network) – искусственной нейронной сети, применяющейся для подавления численной ошибки в результатах численного сейсмического моделирования. На первом этапе небольшое количество сейсмограмм, рассчитанных с использованием грубой и мелкой сеток, используется для обучения сети, сопоставляющей неточные данные, полученные в результате расчета на крупной сетке, с высококачественными данными с мелкой сетки. Затем сеть NDM-net обрабатывает весь набор данных, предварительно рассчитанных с использованием грубой сетки, для уменьшения численной ошибки. Самая трудоемкая часть предлагаемого алгоритма – генерация набора обучающих данных. Возникает необходимость минимизировать количество сейсмограмм в наборе обучающих данных без потери качества обучения. Выбор обучающих данных осуществляется с фиксацией расстояния Хаусдорфа между набором обучающих данных и всем набором данных. При этом уровень предельного расстояния варьируется в зависимости от используемой для моделирования сейсмогеологической модели. Показано, что адаптивная стратегия предпочтительнее фиксированного ограничения метрики Хаусдорфа, поскольку она позволяет сократить набор обучающих данных без потери точности работы обученной сети NDM-net.

Cite: Гадыльшина К.А. , Лисица В.В. , Гадыльшин К.Г. , Вишневский Д.М. , Костин В.И.
Адаптивная оптимизация обучающей выборки при нейросетевом подходе к подавлению численной дисперсии в данных сейсмического моделирования
Геофизические технологии. 2024. №1. С.6-18. DOI: 10.18303/2619-1563-2024-1-6 РИНЦ OpenAlex

Dates:

Submitted:	Nov 14, 2023
Accepted:	Jan 31, 2024
Published print:	Dec 31, 2024
Published online:	Dec 31, 2024

Identifiers:

Elibrary:	68019854
OpenAlex:	W4400775799

Citing: Пока нет цитирований

Altmetrics: