.png){kind=icon}
返回
Physics-informed Fourier-DeepONet for a generalized eikonal solution
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cageo.2025.106026.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种新颖的神经算子架构Fourier-DeepONet，用于模拟地震旅行时。
• 我们将物理信息神经网络与神经算子相结合，并探索了二维场景下的旅行时微分方法。
• 鉴于将震源作为边界条件不足以完全约束神经算子，我们基于地表先验条件的假设对神经算子施加了约束。
• 我们使用OpenFWI提供的复杂数据集验证了所提出的方法。
Keyword:
Fourier-DeepONet
seismic traveltime
physics-informed neural networks
neural operators
OpenFWI
期刊
C
IF:
4.4
论文数:
5.0K
被引数:
1.5W
机构
引用论文
.png){kind=icon}
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Fourier-DeepONet: Fourier-enhanced deep operator networks for full waveform inversion with improved accuracy, generalizability, and robustnessFourier-deeponet: Fourier增强的深度算子网络，用于全波形反演，具有更高的精度、通用性和鲁棒性OAAI
OAAI分享收藏
查看更多内容