通过神经网络加速实现大型黏弹性计算

• 作者: B.J.Meade P.M.R.DeVries T.B.Thompson 唐丽华 孙燕萍 李帛珊
• 来源期刊: 世界地震译丛
• 年，卷（期）: 2019,（5）
• 页码范围: 433-441
• 页数: 9页
• 字数: 5866字
• 语种: 中文

摘要

认识重复地震周期活动的影响,其最大的挑战之一是大尺度的黏弹性地震周期模型的计算成本.对于计算密集型黏弹性代码,须在数以千计的时间和位置点上进行评估.因此,研究趋向于采用几个固定的流变结构和模型几何结构,考查所预测的大震后短时间(小于10年)内给定深度处不同时间的形变.训练一个深层神经网络来学习黏弹性解在任意时间、位置和大范围流变结构计算效率的表示,可快速且可靠地完成计算,并具有较高时空分辨率.结果 表明,该机器学习方法可以将黏弹性计算速度提高50 000％以上.这种加速量级将使得在更大的模型参数范围内、在比以前更大的时空尺度上和数千个地震周期内,模拟几何结构复杂的断层成为可能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	唐丽华		44	189	8.0	11.0
2	孙燕萍		4	1	1.0	1.0
3	李帛珊		8	10	2.0	3.0
4	P.M.R.DeVries		1	0	0.0	0.0
5	T.B.Thompson		1	0	0.0	0.0
6	B.J.Meade		1	0	0.0	0.0