ترجمه فارسی مقاله انتشار قبلی از کم عمق به عمق با یک شبکه ترانسفورماتور تولیدی با سرعت از پیش آموزش دیده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network
عنوان مقاله به فارسی انتشار قبلی از کم عمق به عمق با یک شبکه ترانسفورماتور تولیدی با سرعت از پیش آموزش دیده
نویسندگان Randy Harsuko, Shijun Cheng, Tariq Alkhalifah
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Geophysics,Artificial Intelligence,Computational Physics,ژئوفیزیک , هوش مصنوعی , فیزیک محاسباتی ,
توضیحات Submitted 19 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 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

Building subsurface velocity models is essential to our goals in utilizing seismic data for Earth discovery and exploration, as well as monitoring. With the dawn of machine learning, these velocity models (or, more precisely, their distribution) can be stored accurately and efficiently in a generative model. These stored velocity model distributions can be utilized to regularize or quantify uncertainties in inverse problems, like full waveform inversion. However, most generators, like normalizing flows or diffusion models, treat the image (velocity model) uniformly, disregarding spatial dependencies and resolution changes with respect to the observation locations. To address this weakness, we introduce VelocityGPT, a novel implementation that utilizes Transformer decoders trained autoregressively to generate a velocity model from shallow subsurface to deep. Owing to the fact that seismic data are often recorded on the Earth's surface, a top-down generator can utilize the inverted information in the shallow as guidance (prior) to generating the deep. To facilitate the implementation, we use an additional network to compress the velocity model. We also inject prior information, like well or structure (represented by a migration image) to generate the velocity model. Using synthetic data, we demonstrate the effectiveness of VelocityGPT as a promising approach in generative model applications for seismic velocity model building.

چکیده به فارسی (ترجمه ماشینی)

ساخت مدلهای سرعت زیرسطحی برای اهداف ما در استفاده از داده های لرزه ای برای کشف و اکتشاف زمین و همچنین نظارت ضروری است.با طلوع یادگیری ماشین ، این مدل های سرعت (یا به طور دقیق تر توزیع آنها) را می توان با دقت و کارآمد در یک مدل تولیدی ذخیره کرد.از این توزیع های مدل سرعت ذخیره شده می توان برای تنظیم منظم یا کمیت عدم قطعیت در مشکلات معکوس مانند وارونگی کامل شکل استفاده کرد.با این حال ، بیشتر ژنراتورها ، مانند نرمال کردن جریان یا مدل های انتشار ، به طور یکنواخت تصویر (مدل سرعت) را درمان می کنند ، به وابستگی های مکانی و تغییرات وضوح با توجه به مکان های مشاهده ، بی اعتنایی می کنند.برای پرداختن به این ضعف ، ما VelocityGPT را معرفی می کنیم ، یک اجرای جدید که از رمزگشایی های ترانسفورماتور آموزش داده شده برای تولید یک مدل سرعت از زیرسطحی کم عمق به عمق استفاده می کند.با توجه به این واقعیت که داده های لرزه ای اغلب در سطح زمین ثبت می شوند ، یک ژنراتور از بالا به پایین می تواند از اطلاعات معکوس در کم عمق به عنوان راهنمایی (قبلی) برای تولید عمیق استفاده کند.برای تسهیل اجرای ، ما از یک شبکه اضافی برای فشرده سازی مدل سرعت استفاده می کنیم.ما همچنین برای تولید مدل سرعت ، اطلاعات قبلی را مانند چاه یا ساختار (که توسط یک تصویر مهاجرت نشان داده شده است) تزریق می کنیم.با استفاده از داده های مصنوعی ، ما اثربخشی VelocityGPT را به عنوان یک رویکرد امیدوار کننده در برنامه های مدل تولیدی برای ساخت مدل سرعت لرزه ای نشان می دهیم.

📚 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.