An effective physics-informed neural operator framework for predicting wavefields
Xiao Ma and Tariq Alkhalifah
解决波方程是地球物理应用的基础。 然而,亥姆霍兹方程的数值解决方案面临着重大的计算和内存挑战。 因此,我们引入了一个物理消息的卷积神经运算符(PICNO),以有效地解决亥姆霍兹方程。 PICNO将对应于同质介质的背景波场和速度模型作为输入函数空间,产生分散的波场作为输出函数空间。 我们的工作流程将PDE约束直接集成到训练过程中,使神经操作员不仅能够适应可用数据,而且还可以捕获支配波现象的底层物理。 PICNO允许高分辨率合理准确的预测,即使有限的训练样本,它展示了对纯数据驱动的卷积神经运算符(CNO)的显着改进,特别是在预测高频波场方面。 这些功能和改进对于波形反转方式非常重要。
Solving the wave equation is fundamental for geophysical applications. However, numerical solutions of the Helmholtz equation face significant computational and memory challenges. Therefore, we introduce a physics-informed convolutional neural operator (PICNO) to solve the Helmholtz equation efficiently. The PICNO takes both the background wavefield corresponding to a homogeneous medium and the velocity model as input function space, generating the scattered wavefield as the output function spac...
