.png){kind=icon}
返回
Sensitivity analysis using physics-based machine learning: an example from surrogate modelling for magnetotellurics
.png){kind=icon}
OA
AI
DOI：10.1093/gji/ggaf166.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地球物理模拟针对复杂的地下结构和材料分布，需要通过数值方法对偏微分方程进行评估。然而，上述高复杂度往往导致计算成本极高的模拟，尤其是在电磁（EM）和地震方法中。当用于参数估计或反演研究时，这一点严重限制了可负担的模拟数量。然而，特别是对于结构化模型分析方法，如全局敏感性分析或反演，通常需要数千至数百万次正演模拟运行。为应对这一挑战，我们提出利用基于物理的机器学习方法，即非侵入式降维基方法，旨在构建低维代理模型，以显著降低与数值正演模型相关的计算成本，同时保留物理原理。我们通过一个模拟概念性火山宿主地热系统的二维模型的宽带大地电磁（MT）响应，展示了代理模型的有效性和优势。除了是此类应用的首例外，我们还展示了机器学习降维基方法如何能够一致地处理复数值变量——这是以往研究中被忽视的一个方面。此外，通过代理模型将计算时间减少几个数量级，使我们能够为MT应用执行全局敏感性分析。尽管该分析能提供额外见解，但由于高昂的计算负担，此类分析通常被认为不可行。这里开发的方法以通用形式呈现，使该方法适用于其他具有低维参数空间的电磁技术。
Keyword:
Electrical properties
Electromagnetic structure
Magnetotellurics
Machine learning
Numerical approximations and analysis
期刊
IF:
2.7
论文数:
862
被引数:
3.5W
机构
引用论文
Global sensitivity analysis in hydrological modeling: Review of concepts, methods, theoretical framework, and applications水文建模中的全球敏感性分析: 概念，方法，理论框架和应用综述.png)
JOURNAL OF HYDROLOGY
OAAI
JOURNAL OF HYDROLOGYIF6.3
OAAI分享收藏Adaptive finite-element modeling using unstructured grids: The 2D magnetotelluric exampleGEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates非线性数学模型的全局灵敏度指数及其蒙特卡罗估计
PREAI
分享收藏3D multi-physics uncertainty quantification using physics-based machine learningSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Hybrid physics-based and data-driven models for smart manufacturing: Modelling, simulation, and explainability用于智能制造的基于物理和数据驱动的混合模型: 建模，仿真和可解释性
PREAI
分享收藏
查看更多内容