.png){kind=icon}
返回
Full wavefield surface wave analysis with Bayesian Evidential Learning
.png){kind=icon}
PRE
AI
DOI：10.1093/gji/ggaf498.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
瑞利波、勒夫波和舒尔特波等表面波可以表现出频散特性，即相位速度随波长变化作为频率的函数。这一特性使得能够反演地下1-D地震速度和密度模型。传统的确定性反演和随机反演方案被广泛应用于表面波数据，但面临两大挑战。第一是识别波场变换图像中基模和高阶模的频散曲线，这通常需要手动完成。第二是量化不确定性，这在随机方法中可能计算成本高昂，或在确定性反演中仅限于数据传播的不确定性。我们的目标包括：(1) 消除手动或自动拾取频散曲线的需求；(2) 直接从完整的速度频谱（即包含所有模态的完整频散图像）推断1-D速度模型集合及其关联的不确定性。为此，我们采用贝叶斯证据学习（Bayesian Evidential Learning），这是一种预测框架，既能根据先验信息再现实验数据，又允许先验验证。在应用中，通过对先验地球模型集合进行采样，预测1-D地下结构在地震速度方面，以及在适用情况下的近地表地震波衰减。该方法绕过了传统反演方案，为不确定性量化提供了一种计算高效的工具。
Keyword:
Machine learning
Seismic attenuation
Surface waves and free oscillations
Interface waves
Waveform inversion
期刊
IF:
2.7
论文数:
1.0K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
分享收藏Near Surface Characterization in Southern Oman: Multi-Wave Inversion Guided by Machine Learning
PREAI
分享收藏Deep learning contribution to the automatic picking of surface-wave dispersion for the characterization of railway earthworks深度学习对自动拾取表面波频散以表征铁路土方工程的贡献
PREAI
分享收藏
查看更多内容