Intelligent Elastic Parameter Inversion Method Based on Kernel Density Estimation Within a Bayesian Framework

doi:10.3390/pr14101604

Intelligent Elastic Parameter Inversion Method Based on Kernel Density Estimation Within a Bayesian Framework

2026-05-19

0

OA

AI

DOI：10.3390/pr14101604

原文链接

原文求助

摘要

En 中文

基于贝叶斯框架的核密度估计智能弹性参数反演方法，通过引入核密度估计扩充训练样本以缓解数据稀缺问题，并构建融合卷积模块、Mamba和交叉注意力机制的混合架构实现局部空间特征与长程时序依赖的协同建模。交叉注意力机制自适应加权融合多源特征，增强模型表征能力。联合损失函数有效整合确定性反演与数据驱动方法的优势，兼顾物理一致性并提升数据适应性，进而提高反演结果的稳定性和精度。神经网络输出作为贝叶斯反演初始模型，构建弹性参数概率反演框架。实验结果表明，该方法在薄互层模型和真实数据实验中，相较于传统方法分别将反演结果的R2值提升超过8.0%和5.0%。

Keyword:

deep neural network

elastic parameter inversion

kernel density estimation

cross-attention mechanism

Bayesian framework

Intelligent Elastic Parameter Inversion Method Based on Kernel Density Estimation Within a Bayesian Framework

摘要

期刊

机构

引用论文