ترجمه فارسی مقاله کمیت عدم اطمینان در وارونگی لرزه ای از طریق نمونه گیری اهمیت یکپارچه و روش های گروه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Uncertainty Quantification in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods
عنوان مقاله به فارسی کمیت عدم اطمینان در وارونگی لرزه ای از طریق نمونه گیری اهمیت یکپارچه و روش های گروه
نویسندگان Luping Qu, Mauricio Araya-Polo, Laurent Demanet
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Geophysics,Machine Learning,ژئوفیزیک , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Seismic inversion is essential for geophysical exploration and geological assessment, but it is inherently subject to significant uncertainty. This uncertainty stems primarily from the limited information provided by observed seismic data, which is largely a result of constraints in data collection geometry. As a result, multiple plausible velocity models can often explain the same set of seismic observations. In deep learning-based seismic inversion, uncertainty arises from various sources, including data noise, neural network design and training, and inherent data limitations. This study introduces a novel approach to uncertainty quantification in seismic inversion by integrating ensemble methods with importance sampling. By leveraging ensemble approach in combination with importance sampling, we enhance the accuracy of uncertainty analysis while maintaining computational efficiency. The method involves initializing each model in the ensemble with different weights, introducing diversity in predictions and thereby improving the robustness and reliability of the inversion outcomes. Additionally, the use of importance sampling weights the contribution of each ensemble sample, allowing us to use a limited number of ensemble samples to obtain more accurate estimates of the posterior distribution. Our approach enables more precise quantification of uncertainty in velocity models derived from seismic data. By utilizing a limited number of ensemble samples, this method achieves an accurate and reliable assessment of uncertainty, ultimately providing greater confidence in seismic inversion results.

چکیده به فارسی (ترجمه ماشینی)

وارونگی لرزه ای برای اکتشاف ژئوفیزیکی و ارزیابی زمین شناسی ضروری است ، اما ذاتاً در معرض عدم اطمینان قابل توجه است.این عدم اطمینان در درجه اول از اطلاعات محدود ارائه شده توسط داده های لرزه ای مشاهده شده ناشی می شود ، که تا حد زیادی نتیجه محدودیت در هندسه جمع آوری داده ها است.در نتیجه ، چندین مدل سرعت قابل قبول اغلب می توانند همان مجموعه مشاهدات لرزه ای را توضیح دهند.در وارونگی لرزه ای مبتنی بر یادگیری عمیق ، عدم اطمینان از منابع مختلف از جمله سر و صدای داده ، طراحی و آموزش شبکه عصبی و محدودیت های ذاتی داده ها ناشی می شود.این مطالعه با ادغام روشهای گروهی با نمونه گیری از اهمیت ، یک رویکرد جدید برای کمیت عدم اطمینان در وارونگی لرزه ای را معرفی می کند.با استفاده از رویکرد گروهی در ترکیب با نمونه گیری از اهمیت ، ما ضمن حفظ کارایی محاسباتی ، دقت تجزیه و تحلیل عدم اطمینان را افزایش می دهیم.این روش شامل اولیه سازی هر مدل در گروه با وزن های مختلف ، معرفی تنوع در پیش بینی ها و در نتیجه بهبود استحکام و قابلیت اطمینان نتایج وارونگی است.علاوه بر این ، استفاده از وزن نمونه گیری اهمیت سهم هر نمونه از مجموعه ها ، به ما این امکان را می دهد تا از تعداد محدودی از نمونه های گروه استفاده کنیم تا تخمین های دقیق تری از توزیع خلفی بدست آوریم.رویکرد ما اندازه گیری دقیق تر عدم اطمینان در مدلهای سرعت حاصل از داده های لرزه ای را امکان پذیر می کند.با استفاده از تعداد محدودی از نمونه های گروه ، این روش به ارزیابی دقیق و قابل اعتماد از عدم اطمینان دست می یابد ، در نهایت اعتماد به نفس بیشتری در نتایج وارونگی لرزه ای ایجاد می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.