基于物理信息驱动神经网络的三维初至波旅行时计算方法

在地震勘探中,初至波旅行时的精确求取是偏移成像和旅行时反演等处理技术的重要基础。基于程函方程的有限差分算法在地震波旅行时求取中展现出良好的效果,但需要付出巨大的计算成本,尤其是对多震源、高密度网格的旅行时计算。为此,提出了一种基于物理信息驱动神经网络(PINN)的三维程函方程旅行时求取算法,由三维程函方程及其物理条件信息构成损失函数,再通过最小化该损失函数训练神经网络,最终输出满足程函方程的旅行时结果。不同速度模型的数值模拟实验结果表明,所提方法相对于传统算法具有更高的计算效率和更高的精确度。     

弹性波数值模拟中的高斯型混合吸收边界条件及其GPU并行

当前弹性波方程数值模拟中的混合吸收边界通常采用线性加权或指数型加权系数，未能兼顾内边界和外边界的综合吸收效果，且边界差分格式不适应于GPU的并行加速。为此，提出了一种弹性波数值模拟中吸收效率更高的高斯型混合吸收边界条件，并推导了更适用于GPU加速的一阶Higdon混合吸收边界条件差分格式。模型实验结果表明，与常规线性及指数型混合吸收边界相比，高斯型混合吸收边界可更有效压制内边界和外边界反射，具有更高的吸收效率；文中推导的边界差分格式在保证吸收精度的前提下，可显著提高混合边界的GPU加速效率，更适用于大规模弹性波场数值模拟。