澳门赌场

  • <tr id='xW4T6m'><strong id='xW4T6m'></strong><small id='xW4T6m'></small><button id='xW4T6m'></button><li id='xW4T6m'><noscript id='xW4T6m'><big id='xW4T6m'></big><dt id='xW4T6m'></dt></noscript></li></tr><ol id='xW4T6m'><option id='xW4T6m'><table id='xW4T6m'><blockquote id='xW4T6m'><tbody id='xW4T6m'></tbody></blockquote></table></option></ol><u id='xW4T6m'></u><kbd id='xW4T6m'><kbd id='xW4T6m'></kbd></kbd>

    <code id='xW4T6m'><strong id='xW4T6m'></strong></code>

    <fieldset id='xW4T6m'></fieldset>
          <span id='xW4T6m'></span>

              <ins id='xW4T6m'></ins>
              <acronym id='xW4T6m'><em id='xW4T6m'></em><td id='xW4T6m'><div id='xW4T6m'></div></td></acronym><address id='xW4T6m'><big id='xW4T6m'><big id='xW4T6m'></big><legend id='xW4T6m'></legend></big></address>

              <i id='xW4T6m'><div id='xW4T6m'><ins id='xW4T6m'></ins></div></i>
              <i id='xW4T6m'></i>
            1. <dl id='xW4T6m'></dl>
              1. <blockquote id='xW4T6m'><q id='xW4T6m'><noscript id='xW4T6m'></noscript><dt id='xW4T6m'></dt></q></blockquote><noframes id='xW4T6m'><i id='xW4T6m'></i>

                a 南京大學 地球科學與工程學院

                新聞中心

                新聞詳細

                我院在地下水的№深度學習領域取得新進展

                發布時間:2019-03-20 瀏覽次數:34

                地下介質通常具有強烈非均質性,加之觀測︽數據有限,因此①模型識別和不確定性分析是地下水數值模擬需要解決的關鍵問題之一。在模型優化和不確定性分析過程中往往需要大量反復地運行地下水模型,所需的計算資源也隨著不確定參數維度的上』升而顯著增加,因此“維度約束”(curse of dimensionality)問題成為了當前已有研究方法的重大瓶頸。近年來,深度學習因其強大的數據挖掘、學習和表達等能力,在計算機視覺、語音識別與自然語言處理等領域取得了很好的應用效果,也為解決上述研究瓶頸帶來了契機。

                我院吳吉春教授和施小清教授團隊與美國聖母大學销售总额收益率Nicholas Zabaras教授合作,提出了一種深度卷積編碼-解碼網絡(deep convolutional encoder-decoder network)方法來構建深度神經網絡替代模型(surrogate model)。與傳統機器學習方法不同,該方法創新地將非均質介質場和模型響應輸出場作為圖◆像,利用卷積神經網絡強大的圖像數據處理能力永远的第一天去解決“維度約束”問題,進而通過替代模型顯著地節約計算消耗。通過求解一個參數維合成孔径雷达高達2500維的CO2地質封存多相流模型不確定性分析問題以及一個686維的地下水汙染源識別問題驗證了所提出方法的有效性和穩健性,該方法能夠精←確高效地刻畫地下水多相由市场力量支配的流模型和汙染物運移模型的高維輸入-輸出場♂的函數關系,有效地解決了“維度約束”這一瓶頸。

                上述研ζ究成果以“Deep convolutional encoder-decoder networks for uncertainty quantification of dynamic multiphase flow in heterogeneous media”和“Deep autoregressive neural networks for high-dimensional inverse problems in groundwater contaminant source identification”為題分別於201812月和20193月發表於水文學頂級期刊《Water Resources Research》,博士研究生莫紹星為第一作者,Nicholas Zabaras教红外技术基础授和施小清教授為共同通訊作者,南京大學市场调节机能為第一署名單位。本研究獲得了國家自然科學基金(U150328241672229)和國家留學基金委的聯合資助。

                論文鏈接:

                1深度卷積編碼-解碼網絡結構场外交易衍生工具示意圖