지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 하완수
- 발행연도
- 2021
- 저작권
- 부경대학교 논문은 저작권에 의해 보호받습니다.
이용수4
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Accurate velocity model building is one of the most important tasks in seismic survey. Recently, as deep neural networks have gained huge popularity in the field of geophysics, studies have been published to predict velocity models using regular convolutional neural networks. In this paper, we proposed Tomography_CNN with depthwise separable convolutions encoder-decoder structure for velocity model building. This network is trained in supervised learning approach and we predicted P-wave velocity models not only from time-domain wavefields but also from laplace-domain wavefields. The depthwise separable convolutions, fundamental part of this network structure, perform spatial-oriented convolutions independently of each input channel. Depthwise separable convolutions can improve network performance as well as computational cost compared to regular convolutions. Synthetic velocity models generated for training contain a variety of geologic features, including stratigraphic structure, syncline and anticline structure, fault and salt-dome. We compared network trained with time-domain wavefields and network trained with laplace-domain wavefields using the same number of model parameters and same hyperparameters. Time-domain network had shown very promising results on test data and laplace-domain network had shown reasonable results on test data. In addition, time-domain network took a long time to train due to enormous data, but the prediction cost of one velocity model after training is negligible. Laplace-domain network could reduce the training time about 40% or more compared to time-domain network.
목차
Ⅰ. 서 론 1Ⅱ. 깊이별 분리 합성곱 신경망 41. 깊이별 분리 합성곱 42. Tomography_CNN 7Ⅲ. 인공 데이터 생성 131. 인공 속도 모델 132. 시간 영역 파동장 173. 라플라스 영역 파동장 19Ⅳ. 신경망 훈련 211. 시간 영역 신경망 훈련 212. 라플라스 영역 신경망 훈련 28Ⅴ. 속도 모델 구축 321. 시간 영역 신경망 속도 모델 예측 결과 322. 라플라스 영역 신경망 속도 모델 예측 결과 42Ⅵ. 토 의 47Ⅶ. 결 론 50
최근 본 자료
댓글(0)
0