Stankevich A.S., Petrov I.B. «Acoustic waveform inversion with image-to-image Schrödinger bridges» Журнал вычислительной математики и математической физики, 65, № 8, с. 1451-1466 (2025)

Последние разработки в области применения моделей глубокого обучения к акустической полноволновой инверсии (Full Waveform Inversion, FWI) отмечены использованием диффузионных моделей в качестве априорных распределений для процедур вывода байесовского типа. Преимуществом этих методов является возможность генерировать выборки высокого разрешения, которые никак недостижимы в случае классических методов инверсии или других основанных на глубоком обучении решений. Однако итеративный и стохастический характер выборки из диффузионных моделей наряду с эвристическим характером выходного управления все еще ограничивают их применимость. Например, остается неясным оптимальный способ включения приближенной скоростной модели в схему инверсии на основе диффузии, даже несмотря на то, что она считается неотъемлемой частью конвейера FWI. Для решения этой задачи используется мост Шрёдингера, который осуществляет интерполяцию между распределениями эталонных данных и сглаженными скоростными моделями. Таким образом, процесс вывода, начинающийся с приближенной скоростной модели, гарантированно приходит за конечное время к выборке из распределения эталонных скоростных моделей. Чтобы облегчить изучение нелинейных дрейфов, которые передают выборки между распределениями, и обеспечить контролируемый вывод с учетом сейсмических данных, концепция моста Шрёдингера от изображения к изображению (I2SB) расширяется до условной выборки, что приводит к условной концепции моста Шрёдингера от изображения к изображению (cI2SB) для акустической инверсии. Для обоснования метода оценивается его эффективность при реконструкции эталонной скоростной модели по ее сглаженной аппроксимации наряду с наблюдаемым сейсмическим сигналом фиксированной формы. Эксперименты показывают, что предлагаемое решение превосходит повторную реализацию модели условной диффузии, предложенной авторами в предыдущих работах, при этом для достижения точности выборки, превосходящей ту, которая достигается с помощью подхода, основанного на контролируемом обучении, требуется лишь несколько оценок нейронной функции (NFE). Дополнительный код, реализующий алгоритмы, описанные в статье, можно найти в репозитории.

Ботвина Л.Р., Тютин М.Р., Prasad K. «K_s циклической вязкости разрушения с позиций физики и механики разрушения» Физическая мезомеханика: Международный журнал, 28, № 2, с. 83-100 (2025)

Проанализирована стадийность и кинетические особенности роста усталостной трещины. Особое внимание уделено второй стадии усталостного разрушения, состоящей из двух подобластей – II_a и II_b. Предложен параметр, коэффициент интенсивности напряжений K_S, определяющий границу между ними, соответствующий длине l_S трещины стабильного роста в условиях плоскодеформированного состояния и характеризующий циклическую вязкость разрушения. Предположено, что значение параметра K_S отвечает коэффициенту интенсивности напряжений K_GY, оцененному по циклическому пределу текучести и длине очаговой усталостной трещины. Увеличение размера пластической зоны в вершине трещины и переход к плосконапряженному состоянию при K≥K_S приводит к изменению ряда закономерностей усталостного разрушения, в том числе, к появлению переломов на зависимостях отK_max параметров акустической эмиссии, интенсивности фазовых превращений в метастабильной стали и расстояния между усталостными бороздками: после достижения K_S рост усталостной трещины происходит по механизму «бороздка за цикл». Кроме того, показано, что значение K≪em>K_S соответствует точке поворота диаграмм роста трещины, построенных для стали, испытанной в условиях смешанных мод нагружения