A Machine Learning-Based Fast-Forward Solver for Ground Penetrating Radar With Application to Full-Waveform Inversion

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING

使用神经网络建立正向模型，输入为：

  • Water fraction of the concrete ($WC$). 含水率
  • Radius of the rebar ($R$). 钢筋半径
  • Depth of the rebar ($D$). 埋深

输出为测点处探地雷达信号。通过优化算法匹配探地雷达信号和网络输出，得到输入，完成全波反演。

GPR Full-Waveform Inversion With Deep-Learning Forward Modeling: A Case Study From Non-Destructive Testing

IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING

上一篇针对A-scan，这里能够B-scan了。

同样使用神经网络模型，输入为：

  • the water fraction ($MC$) 含水率
  • the diameter ($R$) 钢筋直径
  • depth ($D$) 埋深
  • position ($X$) 位置

显然，输入比上面多了一个位置$X$，对于B-scan信号能够给出位置信息了。

同样的用优化算法匹配，获得输入的值，完成全波反演。