[论文解读] SeismicNet: Physics-informed neural networks for seismic wave modeling in semi-infinite domain

Pu Ren, Chengping Rao+4 more|arXiv (Cornell University)|Oct 25, 2022

Seismic Imaging and Inversion Techniques被引用 5

一句话总结

该论文提出SeismicNet，一种用于在无标注数据条件下对半无限域中弹性波传播进行正向建模的物理信息神经网络（PINN）。它将吸收边界条件作为软正则化项，采用时间域分解实现可扩展性，并支持多种激励场景的参数化代理建模，实现了在复杂材料分布下的高精度模拟。

ABSTRACT

There has been an increasing interest in integrating physics knowledge and machine learning for modeling dynamical systems. However, very limited studies have been conducted on seismic wave modeling tasks. A critical challenge is that these geophysical problems are typically defined in large domains (i.e., semi-infinite), which leads to high computational cost. In this paper, we present a novel physics-informed neural network (PINN) model for seismic wave modeling in semi-infinite domain without the nedd of labeled data. In specific, the absorbing boundary condition is introduced into the network as a soft regularizer for handling truncated boundaries. In terms of computational efficiency, we consider a sequential training strategy via temporal domain decomposition to improve the scalability of the network and solution accuracy. Moreover, we design a novel surrogate modeling strategy for parametric loading, which estimates the wave propagation in semin-infinite domain given the seismic loading at different locations. Various numerical experiments have been implemented to evaluate the performance of the proposed PINN model in the context of forward modeling of seismic wave propagation. In particular, we define diverse material distributions to test the versatility of this approach. The results demonstrate excellent solution accuracy under distinctive scenarios.

研究动机与目标

• 解决传统数值方法在大规模半无限域中模拟地震波传播时计算成本过高的问题。
• 克服现有PINN在处理如异质介质中弹性波方程等复杂PDE系统时的局限性。
• 开发一种无需数据、可扩展的PINN框架，能够实现地震波响应的正向建模与参数化代理建模。
• 通过集成基于物理的约束与域分解策略，提升正向地震波建模的解算精度与可扩展性。
• 通过PINN框架内创新的代理建模策略，实现对未见激励位置的外推能力。

提出的方法

• 在损失函数中引入吸收边界条件（ABC）作为软正则化项，以减轻半无限域中截断边界处的反射效应。
• 采用时间域分解的顺序训练策略，提升大规模时空域下模拟的可扩展性与解算精度。
• 设计一种参数化代理建模框架，仅通过一次训练即可预测不同源位置的完整波场。
• 采用混合配点采样策略，结合拉丁超立方采样（LHS）与高斯求积法，提升空间分布均匀性与计算精度。
• 实现多组件加权损失函数，包含：PDE残差、初始条件、应力-位移关系、速度-位移关系、自然边界条件、源条件及吸收边界条件。
• 通过量级缩放校准损失权重系数，平衡相互竞争的损失项，提升训练稳定性。

实验结果

研究问题

• RQ1 PINN能否在无标注数据条件下准确模拟复杂材料非均质性下的半无限域弹性波传播？
• RQ2 将吸收边界条件作为软正则化项嵌入模型，能否有效抑制截断边界处的人工反射？
• RQ3 时间域分解在多大程度上提升了基于PINN的地震波建模的可扩展性与精度？
• RQ4 所提出的PINN框架能否作为高效代理模型，仅通过一次训练即可预测不同激励位置下的波场？
• RQ5 该模型在训练数据之外的未见材料分布与源配置下，泛化能力如何？

主要发现

• 所提出的PINN在多种材料分布（包括复杂非均质介质）下均实现了高精度解算，且对标注数据需求极低。
• 将吸收边界条件作为软正则化项集成后，显著减少了边界反射，提升了截断域中波场的保真度。
• 时间域分解策略增强了训练稳定性与解算精度，支持在大时间跨度上的可扩展模拟。
• 参数化代理建模策略成功实现了对新源位置的完整波场高保真预测，展现出强大的泛化能力。
• 模型在不同材料剖面与激励场景下均保持稳健性能，表明其具备强大的外推潜力。
• 通过基于量级的损失权重调优，实现了各损失分量间的平衡优化，显著提升了整体收敛性。