論文の概要: Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2105.00100v1
- Date: Fri, 30 Apr 2021 21:41:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 05:39:57.287153
- Title: Data-driven Full-waveform Inversion Surrogate using Conditional
Generative Adversarial Networks
- Title（参考訳）: 条件付き生成逆ネットワークを用いたデータ駆動フルウェーブフォームインバージョンサロゲート
- Authors: Saraiva Marcus, Forechi Avelino, de Oliveira Neto Jorcy, DelRey
Antonio and Rauber Thomas
- Abstract要約: フル波形インバージョン(FWI)速度モデリングは、正確で詳細な速度場モデルを提供する反復的な高度な技術です。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the Oil and Gas industry, estimating a subsurface velocity field is an
essential step in seismic processing, reservoir characterization, and
hydrocarbon volume calculation. Full-waveform inversion (FWI) velocity modeling
is an iterative advanced technique that provides an accurate and detailed
velocity field model, although at a very high computational cost due to the
physics-based numerical simulations required at each FWI iteration. In this
study, we propose a method of generating velocity field models, as detailed as
those obtained through FWI, using a conditional generative adversarial network
(cGAN) with multiple inputs. The primary motivation of this approach is to
circumvent the extremely high cost of full-waveform inversion velocity
modeling. Real-world data were used to train and test the proposed network
architecture, and three evaluation metrics (percent error, structural
similarity index measure, and visual analysis) were adopted as quality
criteria. Based on these metrics, the results evaluated upon the test set
suggest that the GAN was able to accurately match real FWI generated outputs,
enabling it to extract from input data the main geological structures and
lateral velocity variations. Experimental results indicate that the proposed
method, when deployed, has the potential to increase the speed of geophysical
reservoir characterization processes, saving on time and computational
resources.
- Abstract（参考訳）: 石油・ガス産業において, 地下速度場の推定は, 地震処理, 貯留層キャラクタリゼーション, 炭化水素体積計算において重要なステップである。
フルウェーブフォーム・インバージョン(FWI)ベロシティ・モデリング(英: Full-waveform inversion, FWI)は、FWIイテレーション毎に必要となる物理ベースの数値シミュレーションにより非常に高い計算コストで精度が高く詳細な速度場モデルを提供する反復的手法である。
本研究では,複数の入力を持つ条件付き生成逆数ネットワーク(cGAN)を用いて,FWIによって得られた速度場モデルを生成する手法を提案する。
このアプローチの主な動機は、フルウェーブフォーム逆速度モデリングの非常に高いコストを回避することである。
提案するネットワークアーキテクチャのトレーニングとテストに実世界データを使用し,3つの評価指標(エラー率,構造類似性指標,視覚分析)を品質基準として採用した。
これらの測定値に基づいて評価した結果から、ganは実際のfwi生成した出力と正確に一致し、入力データから主要な地質構造と横方向の速度の変動を抽出できることが示唆された。
実験結果から,提案手法が展開されると,地球物理貯水池のキャラクタリゼーションプロセスの高速化,時間と計算資源の節約が期待できることがわかった。
関連論文リスト
- Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。
従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。
本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T01:36:48Z) - Propagating the prior from shallow to deep with a pre-trained velocity-model Generative Transformer network [2.499907423888049]
地中速度モデルの構築は,観測・モニタリングに地震データを活用する上で,我々の目標に不可欠である。
本研究では,トランスフォーマーデコーダを用いた新しい実装であるVelocityGPTを導入する。
本研究では, 地震波速度モデル構築のための生成モデル構築におけるVelocityGPTの有効性を示す。
論文 参考訳（メタデータ） (2024-08-19T07:56:43Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Seismic wave propagation and inversion with Neural Operators [7.296366040398878]
我々は、最近開発されたNeural Operatorと呼ばれる機械学習パラダイムを用いて、一般的なソリューションを学習するためのプロトタイプフレームワークを開発した。
訓練されたニューラル演算子は、任意の速度構造やソース位置について、無視可能な時間で解を計算することができる。
本手法を2次元音響波動方程式を用いて説明し, 地震トモグラフィへの適用性を実証する。
論文 参考訳（メタデータ） (2021-08-11T19:17:39Z) - Physics-Consistent Data-driven Waveform Inversion with Adaptive Data
Augmentation [12.564534712461331]
我々は、FWI(Full-waveform Inversion)を解くための新しいハイブリッド計算手法を開発した。
トレーニングセットの表現性を向上するデータ拡張戦略を開発する。
本研究では, カルフォルニア州キンベリナの炭素沈殿場に構築された地下地質モデルから得られた弾性地震波形データに本手法を適用した。
論文 参考訳（メタデータ） (2020-09-03T17:12:55Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z)
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。