Оптимизация тренировочного набора данных для подавляющей численную дисперсию нейронной сети NDM-net

Abstract

Предлагается оригинальный способ построения обучающего набора данных для нейронной сети NDM-net (Numerical Dispersion Mitigation neural network), подавляющей численную дисперсию при моделировании сейсмических волновых полей. NDM-net обучается отображать вычисленное на грубой сетке решение системы уравнений динамической теории упругости в рассчитанное на мелкой сетке. Данные сейсмограмм для обучения NDM-net предварительно рассчитываются на мелкой сетке, что является трудоемкой процедурой. Для снижения вычислительных затрат алгоритма время обучения необходимо сокращать без потери точности. В качестве эффективной метрики для генерации обучающего набора данных рассматривается линейная комбинация трех метрик: расстояния между источниками, меры сходства сейсмограмм и меры сходства скоростных моделей. Коэффициенты линейной комбинации определяются с помощью глобального анализа чувствительности. In this paper we present a new approach to building a training dataset for the NDMnet (Numerical Dispersion Mitigation neural network) neural network, which suppresses numerical dispersion in modeling seismic wave fields. The NDM-net is trained to display the solution of the system of equations of the dynamic theory of elasticity, calculated on a coarse grid, into a solution modeled on a fine grid. However, in order to train an NDM-net, it is necessary to pre-calculate seismograms on a fine grid, which is a time-consuming procedure. To reduce the computational costs of the algorithm, an original approach is proposed that allows to reduce the learning time without loss of accuracy. It is proposed to consider a linear combination of three different parameters: the distance between sources, the similarity of seismograms and the similarity of velocity models as an effective metric for generating a training dataset. The weights of the linear combination are determined using a global sensitivity analysis.