Métodos Computacionais para Separação de Modos de Ondas Elásticas
Separação de Modos; Inversão Completa da Forma de Onda Elástica; Aprendizado de Máquina; Redes Neurais Informadas pela Física; Decomposição de Helmholtz.
A conversão de modos em meios elásticos não homogêneos dificulta a interpretação precisa das propriedades físicas. A decomposição correta desses modos é crucial em diversas áreas da Física. Em particular, a Inversão Completa da Forma de Onda Elástica (EFWI) melhora quando os modos de onda são separados com precisão, uma vez que informações confiáveis das ondas P e S podem mitigar efeitos de crosstalk. Neste trabalho, investigamos diferentes métodos computacionais para a separação dos modos P e S com base na decomposição de Helmholtz. Para abordar esse problema, inicialmente derivamos cuidadosamente uma solução analítica para a equação de ondas elásticas em um meio homogêneo. Em seguida, revisitamos métodos clássicos de separação de modos. Entre essas abordagens, a formulação escalar oferece uma redução do custo computacional, com escalabilidade dimensional superior em comparação com a formulação vetorial. Como técnicas de Aprendizado de Máquina (ML) têm sido utilizadas para tratar esse problema, também avaliamos a capacidade de uma Rede Neural Informada pela Física (PINN) em separar modos elásticos, tanto em meios homogêneos quanto em meios realistas, por meio da resolução de uma equação escalar de Poisson. Os resultados dos modos separados utilizando PINN apresentam excelente concordância com aqueles obtidos por técnicas numéricas convencionais, além de exibirem menor vazamento de ondas transversais. Este trabalho contribui para a aplicação de métodos de aprendizado de máquina informados pela física na descrição de aspectos de fenômenos ondulatórios.