地球物理学研究快报
用 AI 跟踪日新月异的地球物理学领域进展
从云粒子图像中预测冰晶微观物理特性的机器学习框架
冰晶的微观物理特性很重要,因为它们显着改变了云的辐射特性和时空分布,进而强烈影响地球的气候。 然而,测量冰晶的关键特性具有挑战性,例如质量或形态特征。 在这里,我们提出了一个框架,用于从原位二维(2D)图像中预测冰晶的三维(3D)微观物理特性。 首先,我们使用3D建模软件计算生成合成冰晶,以及2021年冰轮球(ICEBall)现场活动估计的几何参数。 然后,我们使用合成晶体来训练机器学习(ML)模型,以预测来自合成玫瑰图像的有效密度(ρ_e),有效的表面积(A_e)和子弹数(N_b)。 当在看不见的合成图像上进行测试时,我们发现我们的ML模型可以高精度地预测微观物理特性。 对于ρ_e和A_e,我们表现最佳的单视图模型分别实现了0.99和0.98的R^2值。 对于N_b,我们最好的单视图模型实现了平衡精度和F1得分0.91。 我们还量化了纳入第二个视图的边际预测改进。 立体视图 ResNet-18 型号将 RMSE 减少了 40
用于多变量地下生成和高效概率反转的扩散模型
Diffusion模型为深度生成建模任务提供稳定的培训和最先进的性能。 在这里,我们考虑他们在多变量地下建模和概率反转的背景下使用。 我们首先证明,与变异自动编码器和生成对抗网络相比,扩散模型增强了多变量建模能力。 在扩散建模中,生成过程涉及相对较多的时间步骤,更新规则可以修改以考虑条件数据。 我们提出了不同的更正,以流行的Diffusion后采样方法由Chung等人。 (2023年)。 特别是,我们引入了扩散建模固有的噪声污染的可能性近似。 我们评估多变量地质情景中的性能,涉及浮点和相关的声学阻抗。 使用局部硬数据(井日志)和非线性地球物理(全栈地震数据)进行演示条件建模。 我们的测试显示,与原始方法相比,显着提高了统计稳健性,增强了后概率密度函数的采样并降低了计算成本。 该方法可单独或同时与硬调和间接调节数据一起使用。 由于反转包含在扩散过程中,它比其他需要围绕生成模型外循环的方法更快,例如马尔可夫链蒙特卡洛。
无人观测盆地河流放电预测的多重模型合奏和水库计算
尽管迫切需要准确的洪水预测和水管理,但许多地区缺乏足够的河流排放观测,限制了降雨径流分析的技能。 尽管存在许多基于物理和机器学习的模型,但在数据匮乏的条件下实现高精度、可解释性和计算效率仍然是一个重大挑战。 我们通过一种新的方法解决这一挑战,使用多模型集成和水库计算(RC)的多模型集成和水库计算(HYPER)进行预测。 我们的方法首先将贝叶斯模型平均(BMA)应用于43个“未经校准”的基于集水区的概念水文模型。 然后通过线性回归训练RC模型来纠正BMA输出中的错误,这是一个非迭代过程,可以确保高计算效率。 对于未计量的盆地,我们通过将它们与测量盆地的集水属性链接来推断所需的BMA和RC权重,从而创建一个可推广的框架。 我们使用来自日本87个流域的数据评估了HYPER。 在数据丰富的场景中,HYPER(Kling-Gupta效率,KGE的0.56)与基准LSTM(KGE 0.55)相比表现相当,但只需要5
用于预测波场的有效物理信息神经运算框架
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。
将牛顿定律与深度学习相结合,以增强物理信息复合洪水建模
沿海社区越来越多地面临复合洪水,风暴潮,高潮,强降雨和河流排放等多个驱动因素共同发生或按顺序产生的影响远远超过任何单一驱动因素。 传统的流体动力学模型可以提供准确的基于物理的模拟,但需要大量计算资源进行实时应用或风险评估,而机器学习替代方案通常会牺牲物理一致性以获得速度,在极端事件期间产生不切实际的预测。 这项研究通过开发ALPINE(All-in-one Physics Informed Neural Emulator)来解决这些挑战,ALPINE是一个物理信息神经网络(PINN)框架,用于在复合洪水建模中强制执行完整的浅水动力学。 与以前实施部分约束的方法不同,我们的框架同时执行质量守恒和动量方程,确保在整个预测过程中完全遵守牛顿定律。 该模型将卷积编码器-解码器架构与ConvLSTM时间处理相结合,使用复合损失函数进行训练,该函数平衡数据保真度与基于物理的残差。 使用六个历史风暴事件(四个用于训练,一个用于验证,一个用于看不见的测试),我们观察到基线神经网络的实质性改进。 ALPINE 减少了场均预测错误,并改进了水面高程和速度组件的模型技能指标。 在风暴高峰强度期间,物理信息约束被证明是最有价值的,当多个洪水驱动因素相互作用时,可靠的预测至关重要。 这种方法产生一种物理上一致的模拟器,能够支持化合物洪水预测和大规模风险分析,同时保持对沿海应急管理至关重要的物理现实主义。
相关分类
最新研究
从云粒子图像中预测冰晶微观物理特性的机器学习框架
冰晶的微观物理特性很重要,因为它们显着改变了云的辐射特性和时空分布,进而强烈影响地球的气候。 然而,测量冰晶的关键特性具有挑战性,例如质量或形态特征。 在这里,我们提出了一个框架,用于从原位二维(2D)图像中预测冰晶的三维(3D)微观物理特性。 首先,我们使用3D建模软件计算生成合成冰晶,以及2021年冰轮球(ICEBall)现场活动估计的几何参数。 然后,我们使用合成晶体来训练机器学习(ML)模型,以预测来自合成玫瑰图像的有效密度(ρ_e),有效的表面积(A_e)和子弹数(N_b)。 当在看不见的合成图像上进行测试时,我们发现我们的ML模型可以高精度地预测微观物理特性。 对于ρ_e和A_e,我们表现最佳的单视图模型分别实现了0.99和0.98的R^2值。 对于N_b,我们最好的单视图模型实现了平衡精度和F1得分0.91。 我们还量化了纳入第二个视图的边际预测改进。 立体视图 ResNet-18 型号将 RMSE 减少了 40
无人观测盆地河流放电预测的多重模型合奏和水库计算
尽管迫切需要准确的洪水预测和水管理,但许多地区缺乏足够的河流排放观测,限制了降雨径流分析的技能。 尽管存在许多基于物理和机器学习的模型,但在数据匮乏的条件下实现高精度、可解释性和计算效率仍然是一个重大挑战。 我们通过一种新的方法解决这一挑战,使用多模型集成和水库计算(RC)的多模型集成和水库计算(HYPER)进行预测。 我们的方法首先将贝叶斯模型平均(BMA)应用于43个“未经校准”的基于集水区的概念水文模型。 然后通过线性回归训练RC模型来纠正BMA输出中的错误,这是一个非迭代过程,可以确保高计算效率。 对于未计量的盆地,我们通过将它们与测量盆地的集水属性链接来推断所需的BMA和RC权重,从而创建一个可推广的框架。 我们使用来自日本87个流域的数据评估了HYPER。 在数据丰富的场景中,HYPER(Kling-Gupta效率,KGE的0.56)与基准LSTM(KGE 0.55)相比表现相当,但只需要5
OkadaTorch:Okada模型的可区分编程,以计算故障参数的位移和应变
Okada模型是一种广泛使用的分析解决方案,用于3D弹性半空间中由点或矩形错位源引起的位移和应变。 我们介绍了OkadaTorch,这是Okada模型的PyTorch实现,其中整个代码是可微的;与输入相关的梯度可以很容易地使用自动分化(AD)计算。 我们的工作包括两个组成部分:将原始冈田模型直接转换为PyTorch,以及一个方便的包装界面,用于高效计算梯度和Hessians关于观测站坐标或故障参数。 这种可区分的框架非常适合故障参数反转,包括基于梯度的优化、贝叶斯推理以及与科学机器学习(SciML)模型的集成。 我们的代码在这里提供:https://github.com/msomeya1/OkadaTorch
环境噪声全波形反转与神经运算符
地震波传播的数字模拟对于调查速度结构和改进地震危害评估至关重要。 然而,标准方法,如有限差或有限元是计算昂贵的。 最近的研究表明,一类新的机器学习模型,称为神经运算符,可以比传统方法更快地解决弹性动力学波方程数量级。 全波形反转是加速模拟的主要受益者。 神经运算符作为端到端的可微分运算符,结合自动分化,为相邻状态方法提供了一种替代方法。 PyTorch内置的最先进的优化技术为神经运算符提供了更大的灵活性,以改善全波形反转的优化动力学,从而缓解循环跳过问题。 在这项研究中,我们首次展示了神经运算符在真实地震数据集上全波形反转的应用,该数据集由洛杉矶大都会区圣加布里埃尔,奇诺和圣贝纳迪诺盆地收集的几种节点横断面组成。
用于预测波场的有效物理信息神经运算框架
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。
基准CO_2存储模拟:第11届石油工程师协会比较解决方案项目的结果
第11届石油工程师协会比较解决方案项目(本文缩短了SPE11)地质二氧化碳(CO_2)储存的基准模拟工具。 来自全球领先研究机构和行业的共有45个团体报名参加,其中18个最终贡献了有效结果,这些成果已纳入本文报告的比较研究中。 本文总结了SPE11。 提供了对所提交数据的全面介绍和定性讨论,并概述了用于获取全面数据深度的在线资源。 提议并用于对提交材料进行定量分析的全球指标。 该分析试图从统计学上解决影响提交之间可变性的关键方面。 研究表明,提交的结果之间的主要质量差异与热效应,溶解驱动的对流混合和解决假面不连续性有关。 此外,在SPE11的所有三个版本中都观察到对网格分辨率的强烈依赖。 然而,我们的定量分析表明,观察到的变化主要受到参与者提供的技术反应中未记录的因素的影响。 因此,我们确定,由于人类在设置,进行和报告每个SPE11提交背后的模拟过程中由于人类选择而未报告的变化至少与所报告的计算选择一样具有影响力。
基于替代点扩散函数的地球物理信息神经网络用于模型驱动的地震反演
模型驱动的地震反演是储层表征中的一项关键技术，但传统方法面临重大限制，如依赖一维平均稳态小波和假设不切实际的横向分辨率。为了应对这些挑战，我们提出了一种地球物理信息神经网络（GINN），它将深度学习与地震建模相结合。这种新颖方法采用深度卷积神经网络（DCNN）同时估计点扩散函数（PSFs）和声阻抗（IP）。PSFs被分为零相位和残余分量，以确保地球物理一致性并捕捉精细细节。我们使用来自SEAM Phase I地球模型的合成数据，利用2D UNet架构对GINN进行了100个周期（约20分钟）的训练。网络的输入包括位置特征和低频阻抗（LF-IP）模型。采用了结合均方误差（MSE）和结构相似性指数度量（SSIM）的自监督损失函数，以确保结果的准确性。GINN展示了其生成高分辨率IP和现实PSFs的能力，与预期的地质特征一致。与传统的1D小波不同，GINN产生的PSFs具有有限的横向分辨率，减少了噪声并提高了准确性。未来的工作将致力于优化训练过程，并用实际地震数据验证该方法。
用于多变量地下生成和高效概率反转的扩散模型
Diffusion模型为深度生成建模任务提供稳定的培训和最先进的性能。 在这里,我们考虑他们在多变量地下建模和概率反转的背景下使用。 我们首先证明,与变异自动编码器和生成对抗网络相比,扩散模型增强了多变量建模能力。 在扩散建模中,生成过程涉及相对较多的时间步骤,更新规则可以修改以考虑条件数据。 我们提出了不同的更正,以流行的Diffusion后采样方法由Chung等人。 (2023年)。 特别是,我们引入了扩散建模固有的噪声污染的可能性近似。 我们评估多变量地质情景中的性能,涉及浮点和相关的声学阻抗。 使用局部硬数据(井日志)和非线性地球物理(全栈地震数据)进行演示条件建模。 我们的测试显示,与原始方法相比,显着提高了统计稳健性,增强了后概率密度函数的采样并降低了计算成本。 该方法可单独或同时与硬调和间接调节数据一起使用。 由于反转包含在扩散过程中,它比其他需要围绕生成模型外循环的方法更快,例如马尔可夫链蒙特卡洛。
将牛顿定律与深度学习相结合,以增强物理信息复合洪水建模
沿海社区越来越多地面临复合洪水,风暴潮,高潮,强降雨和河流排放等多个驱动因素共同发生或按顺序产生的影响远远超过任何单一驱动因素。 传统的流体动力学模型可以提供准确的基于物理的模拟,但需要大量计算资源进行实时应用或风险评估,而机器学习替代方案通常会牺牲物理一致性以获得速度,在极端事件期间产生不切实际的预测。 这项研究通过开发ALPINE(All-in-one Physics Informed Neural Emulator)来解决这些挑战,ALPINE是一个物理信息神经网络(PINN)框架,用于在复合洪水建模中强制执行完整的浅水动力学。 与以前实施部分约束的方法不同,我们的框架同时执行质量守恒和动量方程,确保在整个预测过程中完全遵守牛顿定律。 该模型将卷积编码器-解码器架构与ConvLSTM时间处理相结合,使用复合损失函数进行训练,该函数平衡数据保真度与基于物理的残差。 使用六个历史风暴事件(四个用于训练,一个用于验证,一个用于看不见的测试),我们观察到基线神经网络的实质性改进。 ALPINE 减少了场均预测错误,并改进了水面高程和速度组件的模型技能指标。 在风暴高峰强度期间,物理信息约束被证明是最有价值的,当多个洪水驱动因素相互作用时,可靠的预测至关重要。 这种方法产生一种物理上一致的模拟器,能够支持化合物洪水预测和大规模风险分析,同时保持对沿海应急管理至关重要的物理现实主义。
评估空间减缓天气投资决策的经济效益:来自Aotearoa新西兰的证据
空间天气事件对现代经济构成日益严重的威胁,但宏观经济后果仍然未被充分估计。 这项研究首次对新西兰Aotearoa的地磁风暴影响进行了专门的经济评估,量化了由于极端日冕物质抛射(CME)造成的七个破坏和缓解情景中的潜在GDP损失。 主要重点是地磁诱导电流(GIC)对电力传输网络的破坏性影响。 目标是支持围绕空间天气减缓投资的决策,提供对其潜在经济效益的第一顺序近似。 我们发现,在没有缓解的情况下,一场严重但现实的风暴可能导致高达83.6亿新西兰元的GDP损失,其中一半以上来自连锁供应链效应。 然而,即使不那么严重的情况也会导致超过30亿新西兰元的损失。 重要的是,以研究为主导的运营战略,如优化的转换和岛内,可以避免高达3.7亿新西兰元的损失,而支出只有50万新西兰元,效益成本比为740比1。 此外,GIC阻断设备等物理保护进一步将干扰减少到低至11.2亿新西兰元,避免了高达23亿新西兰元的GDP损失,以及高达80比1的收益成本回报。 当承认未模拟的影响,包括数十亿美元的资本设备和长期收入损失时,先发制人缓解的经济理由变得更加相关。 未来的研究需要整合具有战略重要性的工业设施的资本和收入损失模型。
物理信息线性模型(PILM):对碎应变速率估计的分析表征和应用
许多物理系统由偏微分方程(PDE)来描述,并解决这些方程并从观测数据中估计其系数或边界条件(BC)在理解相关现象方面起着至关重要的作用。 最近,一种被称为物理知情神经网络的机器学习方法,通过最小化PDE,BC和数据残留物的总和来解决使用神经网络的PDEs,在科学界获得了显着的关注。 在这项研究中,我们研究了一种物理信息线性模型(PILM),该模型使用基础函数的线性组合来表示解决方案,从而实现最佳解决方案的分析表示。 PILM的制定和验证是为了说明性的前瞻性和反向问题,包括BCs不确定的情况。 此外,PILM用于使用大地测量数据估计地壳应变率。 具体来说,在速度场上强制执行弹性平衡的物理正则化与施加平滑约束的数学正则化进行了比较。 从贝叶斯的角度来看,数学正则化表现出卓越的性能。 PILM提供了一个可分析解决的框架,适用于线性向前和反向问题,不确定的系统以及物理正则化。
HEIMDALL:基于grapH的sEIsMic探测器和微地震定位器
在这项工作中,我们提出了一种新的微地震监测深度学习模型,该模型利用地震站记录之间的连续时空关系,形成了地震目录创建的端到端管道。 它采用图论和最先进的图形神经网络架构,在滚动窗口上同时执行相位拾取、关联和事件位置,使其适用于播放和近乎实时的监控。 作为在绿色能源转型的更广泛背景下减少碳排放的全球战略的一部分,人们越来越有兴趣利用增强的地热系统。 在冰岛亨吉尔地区复杂的地热区域使用临时实验的开放获取数据进行测试,我们的模型使用手动修订和自动地震目录进行训练和验证。 结果显示,与之前发布的自动系统和参考目录相比,事件检测显著增加,包括2018年12月的4 M_w 地震序列和2019年2月的单日序列。 我们的方法减少了错误事件,最大限度地减少了手动监督,减少了对管道的广泛调整或深度学习模型的转移学习的需求。 总体而言,它验证了地热地震区域的强大监测工具,补充了现有系统,并在地热能开发期间加强了运营风险缓解。
通过知识知情的生成建模捕捉看不见的空间极端
观测到的气候极端情况提供了不完整的风险图景,错过了超越历史界限的“看不见的”极端情况。 与此同时,忽视空间依赖低估了放大影响的同步危害的风险。 为了应对这些挑战,我们开发了DeepX-GAN(物理极限嵌入 - 生成对抗网络),这是一种知识渊博的深层生成模型,旨在更好地捕捉罕见极端的空间结构。 DeepX-GAN的零镜头可推广性能够模拟超越历史经验的看不见的极端,但在统计学上仍然是合理的。 我们定义了两种类型的看不见的极端:“checkmate”极端,直接击中目标,和“稳定”极端,勉强错过。 这些未实现的场景暴露了脆弱系统中的潜在风险,如果被忽视,可能会加强虚假的复原力。 特别是,接近失误可以促使积极主动的适应或危险的自满,这取决于它们的解释方式。 将DeepX-GAN应用于中东和北非(MENA),我们发现这些看不见的极端不成比例地影响高度脆弱性和低社会经济准备的地区,但在紧迫性和解释方面有所不同。 未来的变暖可能会扩大和重新分配这些看不见的极端,在印度 - 巴基斯坦和中非出现暴露热点。 这种分配转变凸显了传统危险规划中的关键盲点,并强调需要制定空间适应性政策,预测新出现的风险热点,而不是简单地从历史模式中推断。
从图像到属性:用于颗粒材料参数反转的NeRF驱动框架
我们引入了一个新的框架,将神经辐射场(NeRF)与材料点方法(MPM)模拟相结合,从视觉观察中推断出颗粒状材料特性。 我们的方法首先生成合成实验数据,模拟犁与沙子相互作用。 该实验被渲染成逼真的图像作为摄影观察。 这些观察包括实验初始状态的多视图图像和来自两个固定摄像机的时间序列图像。 使用NeRF,我们从最初的多视图图像中重建3D几何形状,利用其合成新视角和捕获复杂表面细节的能力。 然后,重建的几何形状用于初始化MPM模拟的材料点位置,其中摩擦角度仍然未知。 我们在同一相机设置下渲染模拟图像,并将其与观察到的图像进行比较。 通过采用贝叶斯优化,我们将图像损耗降至最低,以估计最适合的摩擦角度。 我们的结果表明,摩擦角度可以在2度以内的错误进行估计,通过纯粹的视觉观察来突出逆向分析的有效性。 这种方法为在直接测量不切实际或不可能的现实场景中表征颗粒材料提供了有希望的解决方案。
增强的DeepONet用于1-D整合操作员学习:架构调查
Deep Operator Networks(DeepOnets)已经成为PDE管理系统中学习解决方案运营商的强大代理建模框架。 虽然它们的使用正在跨工程学科扩展,但岩土工程领域的应用仍然有限。 这项研究系统地评估了几个DeepONet架构,用于一维整合问题。 我们最初考虑三种架构:一个标准的DeepONet,其嵌入在分支网中的整合系数(模型1和2),以及物理启发的架构,其系数嵌入在主干网(模型3)中。 结果表明,Model 3优于标准配置(Model 1和Model 2),但当目标解决方案(过孔压)表现出显著变化时,仍然存在局限性。 为了克服这一限制,我们提出了一个 Trunknet Fourier 功能增强的 DeepONet (Model 4),它通过捕获快速变化的函数来解决已识别的限制。 所有提议的架构都实现了比传统显式和隐式求解器的1.5到100倍的加速,其中Model 4是最有效的。 预计更复杂的系统比探索的1D案例节省更大的计算节省,这是有希望的。 总体而言,该研究强调了DeepONets在岩土工程应用中实现高效,可推广的替代建模的潜力,推进了科学机器学习在土工技术中的集成,这还处于早期阶段。
使用WSINDy从数据中学习物理可解释的大气模型
地球大气层的多尺度和动荡的性质在历史上使准确的天气建模成为一个难题。 最近,围绕数据驱动的天气建模方法的兴趣激增,在许多情况下,与传统方法相比,预测准确性和计算效率提高了。 然而,目前许多数据驱动的方法都采用了高度参数化的神经网络,通常导致无法解释的模型和有限的科学理解。 在这项工作中,我们通过明确发现管理大气现象的偏微分方程来解决可解释性问题,用直接的物理解释来识别符号数学模型。 本文的目的是证明,特别是弱形式稀疏非线性动力学(WSINDy)算法可以从模拟和同化数据中学习有效的大气模型。 我们的方法使标准的WSINDy算法适应任意空间维度的高维流体数据。
溶孔检测的自动化工作流程
图像测井对于获取地下构造的高质量地质信息至关重要。在Formation Micro Imager测井中可获取的各类地质特征中，vugs对储层评价具有重要意义。本文介绍了一种自动化vug检测模型，利用先进的计算机视觉技术简化vug识别流程。传统人工和半自动化方法受限于个体偏差、劳动强度大以及参数微调缺乏灵活性等问题。我们的方法还引入了对vug特征的统计分析。预处理步骤包括逻辑文件提取和归一化处理，确保数据标准化和可用性。六步vug识别方法包括：top-k模式提取、自适应阈值处理、轮廓识别、聚合、高级过滤以及针对低vug区域的可选过滤。该模型能够识别专家人工拾取遗漏的vugs，证明了其适应性。通过与专家拾取结果的对比验证，证明了模型的准确性。引入了详细的度量指标（如区域内vug面积的数量、平均值和标准差），展示了模型相对于人工拾取的优势。vug面积分布图增强了对储层中vug类型的理解。本研究聚焦于vugs的识别与表征，从而有助于更好地理解储层特性。
引导无条件和条件生成模型,用于超分辨率和推理准-Geostphic湍流
通常,海洋,天气和气候的数值模拟是粗糙的,观测是稀疏和空白的。 在这项工作中,我们将四种生成式扩散建模方法应用于从粗糙,稀疏和间隙观察的β平面上强制二维准地球向湍流的超分辨率和推理。 两种引导方法最低限度地调整预训练的无条件模型:SDEdit修改初始状态,扩散后采样(DPS)修改反向扩散过程得分。 另外两种条件方法,香草变体和无分类指南,需要使用配对的高分辨率和观测数据进行培训。 我们考虑八个测试用例:两个系统,涡流和各向异性喷射湍流;两个雷诺数,10^3和10^4;和两个观察类型,4倍粗分辨率字段和粗,稀疏和间隙观察。 我们的综合技能指标包括重建的漩涡场的规范,湍流统计量,以及超级解析的概率集合及其错误的量化。 我们还研究对调优参数(如引导强度)的灵敏度。 结果表明,SDEdit生成非物理字段,而DPS以较低的计算成本生成合理的重建,但具有平滑的精细级功能。 这两种条件方法都需要重新训练,但它们重建了缺失的精细尺度特征,与观测结果一致,并拥有正确的统计数据,如能量光谱。 此外,它们的均值模型误差与其集成标准差高度相关且可预测。 结果突出了扩散模型的易实施性、保真度(锐度)和周期一致性之间的权衡,并为在地球物理逆问题中的部署提供了实际指导。
使用变压器编码器自动分类火山地震:洞察数据质量和模型可解释性
精确分类地震类型对于阐明火山地震与火山活动之间的关系至关重要。 然而,传统方法依赖于主观的人类判断,这需要相当的时间和精力。 为了解决这个问题,我们使用变压器编码器开发了一个深度学习模型,以实现更客观、更高效的分类。 在Asama山的各种地震活动中进行测试,我们的模型取得了高F1分数(火山构造0.930,低频地震0.931,噪声0.980),优于传统的CNN方法。 为了增强可解释性,对注意力重量可视化进行了分析,揭示了该模型侧重于与人类专家相似的关键波形特征。 然而,训练数据中的不一致,例如带有S波的模棱两可标记的B型事件,会影响分类准确性和注意力重量分布。 涉及数据选择和增强的实验证明了平衡数据质量和多样性的重要性。 此外,火山口3公里以内的车站在提高模型性能和可解释性方面发挥了重要作用。 这些发现强调了基于Transformer的模型在自动化火山地震分类方面的潜力,特别是在提高效率和可解释性方面。 通过解决数据不平衡和主观标签等挑战,我们的方法为理解Asama山的地震活动提供了一个强大的框架。 此外,这一框架为向其他火山区域转移学习提供了机会,为加强火山灾害评估和减灾战略铺平了道路。
地质万物模型3D:一个用于统一和零射地下理解的可提示基础模型
了解地球的地下对于能源转型、自然危害缓解和行星科学至关重要。 然而,地下分析仍然支离破碎,结构解释、地层分析、地层分割和属性建模所需的独立模型与特定数据分布和任务公式紧密耦合。 我们引入了Geological Everything Model 3D(GEM),这是一种统一的生成式架构,通过来自地下成像的潜在结构框架,将所有这些任务重新定位为提示条件的推理。 这种公式超越了特定于任务的模型,通过启用共享推理机制,其中创业板传播人类提供的提示 - 如日志,掩码或结构草图 - 沿着推断的结构框架,以产生地质上一致的输出。 通过这种机制,创业板通过异构提示类型实现跨任务的零点泛化,而无需对新任务或数据源进行再培训。 这种能力来自一个两阶段的训练过程,它将大规模场地震数据上的自我监督表示学习与使用混合提示和不同地下任务的标签进行对抗性微调相结合。 创业板在调查和任务中表现出广泛的适用性,包括火星雷达地层分析,俯冲带的结构解释,全地震地层解释,地球体分割和属性建模。 通过以结构意识的方式将专业知识与生成推理联系起来,创业板为可扩展的、人机身的地球物理人工智能从支离破碎的管道向垂直集成的、可提示的推理系统过渡奠定了基础。 项目页面:https://douyimin.github.io/GEM