物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
表现出类似流体行为的复杂物理系统通常被建模为非牛顿流体。 非牛顿模型的一个关键因素是流变学,它将内部应力与应变率联系起来。 我们提出了一个框架,用于从数据中推断流变模型,该模型代表流体与神经网络的有效粘度。 通过编写张量不变和调整网络属性的流变定律,推断模型满足关键的物理和数学属性,例如各向位框-白度和不存在的分水位。 在这个框架内,我们提出了两种学习流体流变学的方法:1)一种符合流变模型对压力数据的标准回归,2)一种PDE约束的优化方法,从速度数据中推断流变模型。 对于后一种方法,我们结合了有限元和机器学习库。 我们证明了我们在陆地和海洋冰流学上的方法的准确性和稳健性,这也取决于外部参数。 对于陆地冰,我们推断出温度依赖的格伦定律,以及海冰,粘性塑料模型中浓度依赖的剪切组件。 对于这两个模型,我们探索大数据错误的影响。 最后,我们推断出一种未知的浓度依赖模型,该模型再现了拉格朗日冰浮模拟数据。 我们的方法发现了一种在训练数据集之外推广的流变学,并根据浓度表现出剪切增厚和变薄的行为。
故障区域表现出复杂和异构的渗透性结构,受到地层、组成和结构因素的影响,使它们在地下流动建模中的关键但不确定的组成部分。 在这项研究中,我们研究了使用PREDICT框架的岩石学控制如何影响断层渗透性:一种概率工作流程,将随机断层几何生成,物理约束的材料放置和基于流的升级结合起来。 然而,基于流量的升级步骤是工作流程中一个非常昂贵的计算成本组件,并提出了一个主要瓶颈,使全球灵敏度分析(GSA)难以解决,因为它需要数百万个模型评估。 为了克服这一挑战,我们开发了一个神经网络代理来模拟基于流的升级步骤。 这种替代模型大大降低了计算成本,同时保持了高精度,从而使GSA可行。 代理模型支持的GSA揭示了对光度控制对断层渗透性的影响的新见解。 除了识别主要参数和可忽略不计的参数外,该分析还揭示了传统局部灵敏度方法无法捕获的参数之间的显着非线性相互作用。
地震反转 - 包括后堆栈,预堆栈和全波形反转是计算和内存密集型。 最近,已经开发了几种方法,包括物理知识机器学习,以解决其中一些限制。 受量子计算潜力的激励,我们报告我们试图将一种这种经典物理学的算法映射到量子框架。 主要目标是研究这种映射的技术挑战,因为量子算法依赖于与经典计算中根本不同的计算原理。 量子计算机使用量子比特运行,量子比特利用叠加和纠缠,提供了解决经典棘手问题的潜力。 虽然目前的量子硬件是有限的,但混合量子经典算法 - 特别是在量子机器学习(QML)中 - 展示了近期应用的潜力,并且可以很容易地模拟。 我们通过开发混合量子物理信息神经网络(HQ-PINN)来将QML应用于地下成像,用于堆栈后和堆叠前地震反转。 HQ-PINN架构采用编码器-解码器结构:混合量子神经网络编码器从地震数据中估计P-和S阻抗,而解码器使用地球物理关系重建地震响应。 训练是通过最小化输入和重建的地震痕迹之间的不拟合来指导的。 我们系统地评估量子层设计、差异化策略和模拟器后端对反转性能的影响。 我们通过合成和Sleipner场数据集的倒置证明了我们方法的有效性。 HQ-PINN框架始终如一地产生准确的结果,展示了量子计算对地球科学的承诺,并为未来的量子增强地球物理工作流程铺平了道路。
深度学习已经彻底改变了地震阶段的选择,但一个悖论仍然存在:高信噪S波预测始终未能跨越检测阈值,在受抑制的振幅中振荡。 我们将这种以前无法解释的现象确定为振幅抑制,我们通过分析训练历史和损失景观来诊断。 出现了三个相互作用的因素:相对于高振幅边界,S波发病表现出很高的时间不确定性; CNN对急剧振幅的偏见改变了对这些边界的预测,而不是微妙的发作; 点向的二进制交叉熵(BCE)损失缺乏横向纠正力,只提供垂直梯度,抑制振幅,而时间差距持续存在。 这个几何陷阱指向一个形状-然后对齐的解决方案,其中稳定的几何模板必须在时间对齐之前。 我们通过有条件的 GAN 框架实现这一点,通过增强传统的 BCE 训练,并强制形状约束。 训练10,000步,实现有效S阶段检测的64%增长。 我们的框架在没有先验假设的情况下自主地发现目标几何形状,为分割任务提供了一个可推广的解决方案,需要对显性结构附近的微妙特征进行精确对齐。
确定冰川演化的主要数据是基岩海拔和表面质量平衡。 从这个数据中,我们假设在固定陆地区域上定义,冰川的几何形状解决了自由边界问题,平衡了地表高程的时间衍生物,从冰的斯托克斯流的表面速度以及表面平衡率。 这个问题可以以微弱的形式作为可接受的表面高程函数的锥体的变异不等式,这些圆锥体位于基岩地形之上。 在对斯托克斯问题的一些准备理论之后,我们推测,如果表面运动方程适当规范化,相应的连续空间,隐含的时间步变化不等式问题就很好地提出了。 这个猜想得到了物理论证和数值证据的支持。 然后,我们证明了一个一般定理,该定理将巴纳赫空间中非线性运算器变异不等的有限元近似值所构成的数值误差。 这个绑定是不同类型的错误术语的总和,特别针对变异不等式。 当它应用于隐含的时间步骤冰川问题时,绑定中有三个术语:离散床高程的错误,斯托克斯速度的数值求解错误,最后是表面高程有限元空间表示中准最优的预期误差。 然后根据先验错误分析重新考虑冰川模型的设计。
北欧各异的Koppen-Geiger地区的快速变化和不断增加的气候变异性产生了适应的巨大需求。 区域规划需要高分辨率的预计温度。 这项工作提出了一个集成的缩小框架,其中包含视觉变压器(ViT),卷积长短端内存(ConvLSTM)和地理空间时空变压器与注意力和不平衡感知网络(GeoStaNet)模型。 该框架通过多标准决策系统深度学习-TOPSIS(DL-TOPSIS)进行评估,用于十个战略选择的气象站,包括温带海洋(Cfb),亚极地海洋(Cfc),温暖夏季大陆(Dfb)和亚北极(Dfc)气候区域。 挪威地球系统模型(NorESM2-LM)耦合模型对比较项目第6阶段(CMIP6)输出在1951-2014年期间进行了偏差校正,随后根据对日常温度指标和昼夜范围统计的早期观测进行了验证。 ViT显示性能提高(根均方误差(RMSE):1.01摄氏度;R^2:0.92),允许产生可信的缩小预测。 根据SSP5-8.5情景,预计到2100年,Dfc和Dfb气候区将分别变暖4.8摄氏度和3.9摄氏度,昼夜温度范围将扩大1.5摄氏度以上。 出现时间信号首先出现在亚北极冬季(Dfc:约2032),表明迫切需要适应措施。 提出的框架提供了基于站的高分辨率不确定性和极端情况估计,直接用于适应高纬度地区环境变化迅速的适应政策。
准确的地理定位对于在足迹尺度应用中可靠使用GEDI LiDAR数据至关重要，这些应用包括地上生物量建模、数据融合和生态系统监测。然而，由系统偏差和随机ISS引起的抖动所产生的残余地理定位误差会显著影响衍生植被和地形指标的准确性。本研究的主要目标是开发和评估一个灵活、计算效率高的框架（GEDICorrect），该框架能够在轨道、波束和足迹级别对GEDI数据进行地理定位校正。该框架集成了现有的GEDI模拟器模块（gediRat和gediMetrics），并通过灵活的校正逻辑、多种相似性指标、自适应足迹聚类和优化的I/O处理扩展了其功能。使用Kullback–Leibler散度作为波形相似性指标，GEDICorrect将冠层高度（RH95）的准确性从R^2 = 0.61（未校正）提高到轨道级别校正后的0.74，并在足迹级别校正后达到R^2 = 0.78，将RMSE从2.62米（rRMSE = 43.13%）降低到轨道级别的2.12米（rRMSE = 34.97%）和足迹级别的2.01米（rRMSE = 33.05%）。地形高程准确性也有所改善，相对于未校正数据RMSE降低了0.34米，与GEDI模拟器基线相比降低了0.37米。在计算效率方面，GEDICorrect在单进程模式下比GEDI模拟器实现了约2.4倍的加速（将运行时间从约84小时减少到约35小时），并能高效扩展到24个核心，在约4.3小时内完成相同任务——总体改进约19.5倍。GEDICorrect提供了一个稳健且可扩展的解决方案，用于提高GEDI地理定位准确性，同时保持与标准GEDI数据产品的完全兼容性。
地震作为自然现象,在历史上不断造成人类生命的破坏和丧失。 地震预测是任何社会计划的一个重要方面,可以增强公众的准备,并在很大程度上减少损害。 然而,由于地震的随机性以及实现地震预测高效和可靠的模型的挑战,迄今为止的努力是不够的,并且需要新的方法来解决这个问题。 意识到这些问题,本文提出了基于注意力机制(AM)、卷积神经网络(CNN)和双向长短期记忆(BiLSTM)模型的新型预测方法,可以根据该地区的地震目录预测中国大陆每个地区的地震数量和最大震级。 该模型利用LSTM和CNN的关注机制,更好地关注有效的地震特征,并产生更准确的预测。 首先,将零序保持技术应用于地震数据的预处理,使模型的输入数据更加恰当。 其次,为了有效利用空间信息,减少输入数据的尺寸,CNN用于捕捉地震数据之间的空间依赖关系。 第三,Bi-LSTM层用于捕获时间依赖关系。 第四,引入AM层以突出其重要功能,以实现更好的预测性能。 结果表明,与其他预测方法相比,建议的方法具有更好的性能和概括能力。
地震波形的准确预测和合成对于地震灾害评估和抗震基础设施设计至关重要。 现有的预测方法,如地面运动模型和基于物理的波场模拟,往往无法捕捉到地震波场的全部复杂性,特别是在更高频率的情况下。 这项研究介绍了HighFEM,一种新颖,计算高效且可扩展(即能够同时生成许多地震图)生成高频地震波形生成的生成模型。 我们的方法利用了地震波形数据的光谱图表示,通过自动解码器将其简化为低维流形。 训练了最先进的扩散模型,以关键输入参数为条件,产生这种潜在表示:地震震级,记录距离,现场条件,低中心深度和阿齐穆塔尔间隙。 该模型生成频率含量高达50 Hz的波形。 任何标量地面运动统计量,如峰值地运动振幅和光谱加速度,都可以很容易地从合成的波形中派生出来。 我们使用图像生成研究中常用的地震指标和性能指标来验证我们的模型。 我们的结果表明,公开可用的模型可以在广泛的输入参数中生成逼真的高频地震波形,即使在数据散射区域也是如此。 对于地震灾害和地震工程研究中常用的标量地面运动统计,我们表明,我们的模型准确地再现了真实数据的中位趋势及其可变性。 为了评估和比较这些和类似的生成波形模型(GWM)的数量,我们认为它们应该公开可用,并包含在社区地面运动模型评估工作中。
准确估计海冰漂移对北极航行、气候研究和操作预测至关重要。 虽然光流是一种计算机视觉技术,用于估计连续图像之间的像素智能运动,但在计算机视觉方面进展迅速,但它对地球物理问题和卫星图像的适用性仍然没有得到很好的探索。 经典的光流方法依赖于数学模型和对运动的强烈假设,这限制了他们在复杂场景中的准确性。 最近基于深度学习的方法大大提高了性能,现在是计算机视觉的标准,促使它们应用于海冰漂移估计。 我们在RADARSAT 2 ScanSAR海冰图像上展示了48个深度学习光流模型的第一个大规模基准,通过端点误差(EPE)和Fl针对GNSS跟踪浮标的所有指标进行评估。 几个模型实现了低于公里精度(EPE 6到8像素,300到400米),相对于海冰运动的空间尺度和北极的典型导航要求,这是一个小错误。 我们的结果表明,这些模型能够捕获一致的区域漂移模式,并且最近基于深度学习的光流方法与经典方法相比大大提高了运动估计精度,可以有效地转移到极地遥感。 光流产生空间连续漂移场,为每个图像像素提供运动估计值,而不是在稀疏浮标位置,为导航和气候建模提供新的机会。
沿液体介质边界行进的表面波的动力学因浮板和膜的存在而改变,在广泛的应用中促成了许多重要现象。 在数学上,如果流体仅部分被板或膜覆盖,则表面边界条件的衍生物顺序在表面区域之间跳跃。 在这项工作中,我们考虑了无限深度线性化表面波的一般问题,其中板或膜具有紧凑孔或多个孔。 对于这类问题,我们描述了一个通用积分方程方法,对于两个重要的例子,偏膜和多尼雅,我们分析了由此产生的边界积分方程。 特别是,我们表明他们是Fredholm第二类,并讨论其解决方案的关键属性。 我们开发用于离散和解决这些方程的灵活和快速算法,并通过几个数值示例证明他们在解决表面波现象方面的稳健性和可扩展性。
地震激发下对结构失效模式的准确预测对于地震风险和复原力评估至关重要。 传统的基于模拟的方法通常会导致由非故障或经常观察到的失败场景主导的数据集不平衡,限制了基于机器学习的预测的有效性。 为了应对这一挑战,本研究提出了一个框架,用于构建包含不同故障模式的平衡数据集。 该框架包括三个关键步骤。 首先,确定关键地面运动特征(GMO)以有效表示地面运动时间历史。 其次,使用自适应算法来估计关键GEMF和结构参数空间中各种故障域的概率密度。 第三,从这些概率密度生成的样本通过使用缩放因子优化过程转化为地面运动时间历史。 平衡数据集是通过对结构系统进行非线性响应历史分析来构建的,其参数与生成的样本相匹配,并受到相应的地面运动时间历史的影响。 深度神经网络模型在平衡和不平衡的数据集上训练,以突出数据集平衡的重要性。 为了进一步评估该框架的适用性,使用两种不同的结构模型进行数值调查,这些模型受到记录和合成的地面运动的影响。 结果表明,该框架在解决数据集不平衡和改善地震故障模式预测中的机器学习性能方面具有稳健性和有效性。
我们提出了一种新的深度学习模型WaveCastNet来预测高维波场。 WaveCastNet将卷积式长表达存储器架构集成到序列到序列预测框架中,使其能够对空间和时间上的长期依赖和多尺度模式进行建模。 通过跨空间和时间维度共享权重,WaveCastNet比变压器等资源密集型模型需要更少的参数,从而加快推理时间。 至关重要的是,WaveCastNet也比变压器更好地扩展到罕见和关键的地震场景,如高震级地震。 在这里,我们使用来自旧金山湾区的模拟数据,展示了模型实时预测破坏性地面运动的强度和时间的能力。 此外,我们通过在真实地震数据上评估WaveCastNet来证明其零射力。 我们的方法不需要估计地震震级和震中,在常规方法中容易出错的步骤,也不依赖于经验的地面运动模型,这些模型通常无法捕获强烈的异质波传播效应。
人工智能具有先进的定量遥感,但其有效性受到标签分布不平衡的限制。 这种不平衡导致传统训练的模型有利于普通样本,这反过来又降低了罕见样品的检索性能。 降雨检索就是这个问题的例证,在大雨中性能特别受损。 这项研究提出了Hurdle-Inversion Model Debiasing Learning(IMDL)框架。 在分而治之策略之后,降雨分布的不平衡分为两个部分:零通货膨胀,由非降雨样本占主导地位的定义;长尾,由与大雨样本相比不成比例的轻雨样本的丰度定义。 采用了一个障碍模型来处理零通胀,而IMDL则被提议通过将学习对象转变为一个公正的理想反向模型来解决长尾。 通过统计指标和案例研究调查中国东部多雨天气的综合评估证实了Hurdle-IMDL优于常规,成本敏感,生成和多任务学习方法的优势。 它的主要进展包括有效缓解系统低估和显著改善大到极端降雨的检索。 IMDL提供了一种可推广的方法来解决环境变量分布的不平衡,从而能够加强对罕见但高影响事件的检索。
获得与体积形成特性相匹配的真正代表性的孔尺度图像仍然是地下表征的一个基本挑战,因为自然空间异质性导致提取的子图像显着偏离核心测量值。 这一挑战因数据稀缺而加剧,物理样本仅在稀疏的井位可用。 这项研究提出了一个多条件的生成对抗网络(cGAN)框架,该框架可以生成具有精确控制的属性的具有代表性的孔径图像,同时解决代表性挑战和数据可用性限制。 该框架是在碳酸盐形成的四个深度(1879.50-1943.50 m)的薄段样本上进行训练的,同时在单个统一模型中调节孔隙度值和深度参数。 这种方法既捕获了通用孔隙网络原理,也捕获了特定于深度的地质特征,从具有粒皮层-晶间孔隙度的晶粒状织物到具有无水性夹杂物的晶体纹理。 该模型在所有地层实现了卓越的孔隙度控制(R^2=0.95),平均绝对误差为0.0099-0.0197。 形态学验证证实了关键孔网络特征的保存,包括平均孔隙半径,特定表面积和曲折性,统计差异保持在可接受的地质公差范围内。 最重要的是,生成的图像表现出卓越的代表性,双约束误差为1.9-11.3%,而随机提取的真实子图像为36.4578%。 这种能力为地下表征提供了变革性工具,对于碳储存,地热能和地下水管理应用特别有价值,因为了解孔隙空间的代表性形态对于实现数字岩石物理学至关重要。
高成本和不确定性使地下决策具有挑战性,因为获取新数据很少具有可扩展性。 将地质知识直接嵌入到预测模型中提供了一个有价值的选择。 共同方法仅实现这一点:模拟地质过程的基于过程的模型可以帮助训练生成模型,从而更有效地进行预测。 这项研究探讨了生成对抗网络(GAN) - 一种用于生成建模的深度学习算法 - 训练产生流性沉积物是否可以倒置以匹配良好和地震数据。 应用于3个测试样本的4个反转方法,其中4个,8个和20个井难以匹配这些井数据,特别是随着井数量的增加或测试样本与训练数据不同。 关键的瓶颈在于GAN的潜在表示:它是纠缠的,因此具有类似沉积特征的样品不一定在潜伏空间中接近。 标签调理或潜伏过度参数化可以在训练过程中部分解开潜伏空间,尽管还不足以成功反转。 微调GAN以在本地重组潜在空间,在所有测试用例中,无论是否有地震数据,将不匹配减少到可接受的水平。 但这种方法取决于初始的,部分成功的倒置步骤,该步骤会影响最终样品的质量和多样性。 总的来说,GAN已经可以处理集成到地理建模工作流程中所需的任务。 我们仍然需要进一步评估它们的稳健性,以及如何最好地利用它们来支持地质解释。
重力数据的倒置是研究与各种应用相关的地下密度变化的重要方法,包括矿物勘探,地热评估,碳储存,天然氢,地下水资源和构造演变。 在这里,我们提出了三维重力反转的科学机器学习方法,该方法使用隐性神经表示(INR)将地下密度表示为连续场。 该方法通过基于物理的远向模型损失直接训练深度神经网络,将空间坐标映射到连续密度场,而无需预先定义的网格或离散化。 位置编码增强了网络捕获锐利对比度和短波长特征的能力,这些特征由于光谱偏差而倾向于过度平滑。 我们展示了合成示例的方法,包括高斯随机场,代表现实的地质复杂性,以及评估块结构恢复的浸渍块模型。 INR框架在没有明确的正则化或深度加权的情况下重建了详细的结构和地质上合理的边界,同时大大减少了反转参数的数量。 这些结果突出了隐式表示实现可扩展、灵活和可解释的大规模地球物理反转的潜力。 这个框架可以推广到其他地球物理方法和联合/多物理反转。
像PhaseNet这样的深度神经网络在检测微地震事件方面表现出高精度,但它们的黑箱性质在关键应用中是一个值得关注的问题。 我们应用可解释的AI(XAI)技术,如梯度加权类激活映射(Grad-CAM)和Shapley Additive Explanations(SHAP),来解释PhaseNet模型的决策并提高其可靠性。 Grad-CAM强调,该网络的注意力与P波和S波到达一致。 SHAP值量化特征贡献,确认垂直组分幅度驱动P相选择,而水平组件主导S相位选择,与地球物理原理一致。 利用这些见解,我们引入了一个SHAP门控推理方案,将模型的输出与基于解释的指标相结合,以减少错误。 在9000波形的测试中,SHAP门控模型实现了F1的0.98分(精度0.99,召回0.97),优于基线PhaseNet(F1-score 0.97),并显示出增强的噪声稳健性。 这些结果表明,XAI不仅可以解释深度学习模型,还可以直接增强其性能,为建立自动化地震探测器的信任提供了一个模板。
机器学习的最新进展,如长短期记忆(LSTM)模型和变形金刚,已被广泛应用于水文应用,在深度学习模型中表现出令人印象深刻的表现,并在各种任务中超越物理模型。 然而,他们在预测陆地表面状态(如陆地水储存(TWS)方面的优势仍然不清楚,这些状态由自然变化和人类驱动的修改等许多因素主导。 在这里,使用开放获取,具有全球代表性的HydroGlobe数据集 - 包含仅来自陆地表面模型模拟的基线版本和包含多源遥感数据同化的高级版本 - 我们表明线性回归是一个稳健的基准,优于更复杂的LSTM和Temporal Fusion Transformer for TWS预测。 我们的研究结果强调了在开发和评估深度学习模型时将传统统计模型作为基准的重要性。 此外,我们强调建立具有全球代表性的基准数据集的迫切需要,这些数据集可以捕获自然变异和人类干预的综合影响。
合成孔径雷达(SAR)图像的洪水测绘和水深估计对于校准和验证液压模型至关重要。 本研究使用SAR图像来评估各种预处理(特别是斑点噪声降低),洪水映射和水深估计方法。 通过考虑预处理图像、洪水地图和水深场的组合来研究方法在不同步骤及其超参数中选择方法的影响。 该评估针对2019年和2021年加龙河(法国)的两次洪水事件进行,使用流体动力学模拟和原位观测作为参考数据。 结果表明,斑点过滤器的选择改变了洪水范围的估计,变化为几平方公里。 此外,洪水映射方法的选择和调整也会影响性能。 虽然监督方法优于无监督方法,但调整无监督方法(如局部阈值或变化检测)可以实现可比结果。 预处理和洪水测绘步骤带来的复杂不确定性也带来了水深场估计的高可变性。 这项研究强调了考虑整个处理管道的重要性,包括预处理,洪水测绘和水深估计方法及其相关的超参数。 不应依赖单一配置,采用综合方法并核算方法的不确定性应享有特权。 对于洪水测绘,方法选择影响最大。 对于水深估计,最有影响力的处理步骤是洪水测绘步骤和方法的超参数产生的洪水地图输入。
继续滚动加载更多
