論文の概要: Efficient Uncertainty Quantification for Dynamic Subsurface Flow with
Surrogate by Theory-guided Neural Network
- arxiv url: http://arxiv.org/abs/2004.13560v1
- Date: Sat, 25 Apr 2020 12:41:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:45:40.939067
- Title: Efficient Uncertainty Quantification for Dynamic Subsurface Flow with
Surrogate by Theory-guided Neural Network
- Title（参考訳）: 理論誘導ニューラルネットワークによるサーロゲートを伴う動的地下流れの効率的な不確かさ定量化
- Authors: Nanzhe Wang, Haibin Chang, Dongxiao Zhang
- Abstract要約: 理論誘導ニューラルネットワーク(TgNN)により構築された代理体を用いた動的地下流れの効率的な不確実性定量化手法を提案する。
パラメータ、時間、位置はニューラルネットワークの入力であり、関心の量は出力である。
トレーニングされたニューラルネットワークは、新しいパラメータで地下流れ問題の解を予測することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Subsurface flow problems usually involve some degree of uncertainty.
Consequently, uncertainty quantification is commonly necessary for subsurface
flow prediction. In this work, we propose a methodology for efficient
uncertainty quantification for dynamic subsurface flow with a surrogate
constructed by the Theory-guided Neural Network (TgNN). The TgNN here is
specially designed for problems with stochastic parameters. In the TgNN,
stochastic parameters, time and location comprise the input of the neural
network, while the quantity of interest is the output. The neural network is
trained with available simulation data, while being simultaneously guided by
theory (e.g., the governing equation, boundary conditions, initial conditions,
etc.) of the underlying problem. The trained neural network can predict
solutions of subsurface flow problems with new stochastic parameters. With the
TgNN surrogate, the Monte Carlo (MC) method can be efficiently implemented for
uncertainty quantification. The proposed methodology is evaluated with
two-dimensional dynamic saturated flow problems in porous medium. Numerical
results show that the TgNN based surrogate can significantly improve the
efficiency of uncertainty quantification tasks compared with simulation based
implementation. Further investigations regarding stochastic fields with smaller
correlation length, larger variance, changing boundary values and
out-of-distribution variances are performed, and satisfactory results are
obtained.
- Abstract（参考訳）: 地下流れの問題は通常ある程度の不確実性を伴う。
したがって, 地下流動予測には不確実性定量化が必要である。
本稿では,理論誘導ニューラルネットワーク(tgnn)によるサーロゲートを用いた動的地下流れの効率的な不確かさ定量化手法を提案する。
TgNNは確率的パラメータの問題に特化して設計されている。
TgNNでは、確率的パラメータ、時間、位置がニューラルネットワークの入力であり、関心の量は出力である。
ニューラルネットワークは利用可能なシミュレーションデータを用いてトレーニングされ、基礎となる問題の理論(例えば、支配方程式、境界条件、初期条件など)によって同時にガイドされる。
訓練されたニューラルネットワークは、新しい確率パラメータを用いて地下流れ問題の解を予測できる。
TgNNサロゲートを用いることで、不確実な定量化のためにモンテカルロ法(MC)を効率的に実装することができる。
提案手法は, 多孔質媒質中の2次元動的飽和流問題を用いて評価する。
数値計算の結果,TgNNに基づくサロゲートは,シミュレーションに基づく実装と比較して不確実性定量化タスクの効率を著しく向上させることができることがわかった。
相関長,ばらつきが大きい確率場,境界値の変化,分布外ばらつきについてさらに検討を行い,良好な結果を得た。
関連論文リスト
- kNN Algorithm for Conditional Mean and Variance Estimation with
Automated Uncertainty Quantification and Variable Selection [8.429136647141487]
我々は従来の非パラメトリックkNNモデルのスケーラビリティと適応性を相乗化するkNNベースの回帰手法を提案する。
本手法は,確率応答変数の条件平均と分散を正確に推定することに焦点を当てる。
2つのケーススタディで示されているように、特に生体医学的応用において顕著である。
論文 参考訳（メタデータ） (2024-02-02T18:54:18Z) - Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。
よりスムーズな関数との補間により、より一般化できることを示す。
論文 参考訳（メタデータ） (2023-05-30T19:37:44Z) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳（メタデータ） (2023-03-03T08:17:47Z) - Bayesian deep learning framework for uncertainty quantification in high
dimensions [6.282068591820945]
我々はベイズニューラルネットワーク(BNN)とハミルトンモンテカルロ(HMC)に基づく偏微分方程式の不確実性定量化のための新しい深層学習法を開発した。
BNNは、ネットワークパラメータに対してベイズ推論を行うことにより、ディープニューラルネットワークにおけるパラメータの後方分布を効率的に学習する。
後部分布は、HMCを用いて効率よくサンプリングされ、システムの不確かさを定量化する。
論文 参考訳（メタデータ） (2022-10-21T05:20:06Z) - Uncertainty quantification of two-phase flow in porous media via
coupled-TgNN surrogate model [6.705438773768439]
地下二相流の不確実性定量化(UQ)は通常、様々な条件下でのフォワードシミュレーションの多数の実行を必要とする。
本研究では, 理論誘導型ニューラルネットワーク(TgNN)をベースとした新しいサロゲートモデルを構築し, 良好な精度で効率を向上する。
論文 参考訳（メタデータ） (2022-05-28T02:33:46Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳（メタデータ） (2022-04-01T03:31:27Z) - Robust Learning of Physics Informed Neural Networks [2.86989372262348]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法に有効であることが示されている。
本稿では、PINNがトレーニングデータのエラーに敏感であり、これらのエラーをPDEの解領域上で動的に伝播させるのに過度に適合していることを示す。
論文 参考訳（メタデータ） (2021-10-26T00:10:57Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z) - Stable Neural Flows [15.318500611972441]
ニューラルネットワークによってパラメータ化されたエネルギー汎関数上で軌道が進化するニューラル常微分方程式(ニューラルODE)の確率的に安定な変種を導入する。
学習手順は最適制御問題としてキャストされ、随伴感性分析に基づいて近似解が提案される。
論文 参考訳（メタデータ） (2020-03-18T06:27:21Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。