ГАДЫЛЬШИНА Ксения Александровна – младший научный сотрудник лаборатории вычислительной физики горных пород,
630090, Новосибирск, просп. Акад. Коптюга, 3.
3, Koptyug Ave., Novosibirsk, 630090.
ЛИСИЦА Вадим Викторович – доктор физико-математических наук, заведующий лабораторией вычислительной физики горных пород,
630090, Новосибирск, просп. Акад. Коптюга, 3.
3, Koptyug Ave., Novosibirsk, 630090.
ГАДЫЛЬШИН Кирилл Геннадьевич – кандидат физико-математических наук, старший научный сотрудник лаборатории вычислительной физики горных пород,
630090, Новосибирск, просп. Акад. Коптюга, 3.
3, Koptyug Ave., Novosibirsk, 630090.
ВИШНЕВСКИЙ Дмитрий Михайлович – научный сотрудник лаборатории вычислительной физики горных пород,
630090, Новосибирск, просп. Акад. Коптюга, 3.
3, Koptyug Ave., Novosibirsk, 630090.
КОСТИН Виктор Иванович – кандидат физико-математических наук, старший научный сотрудник лаборатории вычислительной физики горных пород,
630090, Новосибирск, просп. Акад. Коптюга, 3,
3, Koptyug Ave., Novosibirsk, 630090.
Представлен новый подход к построению обучающей выборки для NDM-net (Numerical dispersion mitigation neural network) – искусственной нейронной сети, применяющейся для подавления численной ошибки в результатах численного сейсмического моделирования. На первом этапе небольшое количество сейсмограмм, рассчитанных с использованием грубой и мелкой сеток, используется для обучения сети, сопоставляющей неточные данные, полученные в результате расчета на крупной сетке, с высококачественными данными с мелкой сетки. Затем сеть NDM-net обрабатывает весь набор данных, предварительно рассчитанных с использованием грубой сетки, для уменьшения численной ошибки. Самая трудоемкая часть предлагаемого алгоритма – генерация набора обучающих данных. Возникает необходимость минимизировать количество сейсмограмм в наборе обучающих данных без потери качества обучения. Выбор обучающих данных осуществляется с фиксацией расстояния Хаусдорфа между набором обучающих данных и всем набором данных. При этом уровень предельного расстояния варьируется в зависимости от используемой для моделирования сейсмогеологической модели. Показано, что адаптивная стратегия предпочтительнее фиксированного ограничения метрики Хаусдорфа, поскольку она позволяет сократить набор обучающих данных без потери точности работы обученной сети NDM-net.
We introduce a novel method for developing the training dataset for the Numerical Dispersion Mitigation network (NDM-net), aimed at diminishing numerical inaccuracies in seismic modeling. Our strategy involves using a limited set of seismograms, produced with coarse and fine grids, to train the network. This training enables the network to transform less accurate coarse-grid data into higher-quality fine-grid data. Subsequently, the network is employed on a more extensive set of seismograms, initially computed with the coarse grid, to lower numerical errors. Creating the training dataset is the most demanding aspect of this method, requiring a balance between the number of seismograms used and maintaining training effectiveness. We propose a method to create the training dataset that maintains a specific Hausdorff distance with the complete dataset. However, this distance can vary based on the seismic-geological model used in simulations. Our work shows that an adaptive approach in setting the Hausdorff distance limit is more advantageous than a fixed limit, as it reduces the training dataset size without compromising accuracy.
The authors declare that there are no conflicts of interest present.