論文の概要: A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods

• arxiv url: http://arxiv.org/abs/2107.07274v1
• Date: Thu, 15 Jul 2021 12:01:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 13:49:24.680647
• Title: A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior during Geological CO2 Sequestration Injection and Post-Injection Periods
• Title（参考訳）: 地中CO2排出と放流後の多相流挙動予測のためのロバスト深層学習ワークフロー
• Authors: Bicheng Yan, Bailian Chen, Dylan Robert Harp, Rajesh J. Pawar
• Abstract要約: 本研究は, 地中CO2採取作業における水圧とCO2配管の時空間的変化を予測できる深層学習ワークフローの開発と評価に寄与する。
• 参考スコア（独自算出の注目度）: 1.4050836886292868
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper contributes to the development and evaluation of a deep learning workflow that accurately and efficiently predicts the temporal-spatial evolution of pressure and CO2 plumes during injection and post-injection periods of geologic CO2 sequestration (GCS) operations. Based on a Fourier Neuron Operator, the deep learning workflow takes input variables or features including rock properties, well operational controls and time steps, and predicts the state variables of pressure and CO2 saturation. To further improve the predictive fidelity, separate deep learning models are trained for CO2 injection and post-injection periods due the difference in primary driving force of fluid flow and transport during these two phases. We also explore different combinations of features to predict the state variables. We use a realistic example of CO2 injection and storage in a 3D heterogeneous saline aquifer, and apply the deep learning workflow that is trained from physics-based simulation data and emulate the physics process. Through this numerical experiment, we demonstrate that using two separate deep learning models to distinguish post-injection from injection period generates the most accurate prediction of pressure, and a single deep learning model of the whole GCS process including the cumulative injection volume of CO2 as a deep learning feature, leads to the most accurate prediction of CO2 saturation. For the post-injection period, it is key to use cumulative CO2 injection volume to inform the deep learning models about the total carbon storage when predicting either pressure or saturation. The deep learning workflow not only provides high predictive fidelity across temporal and spatial scales, but also offers a speedup of 250 times compared to full physics reservoir simulation, and thus will be a significant predictive tool for engineers to manage the long term process of GCS.
• Abstract（参考訳）: 本研究は, 地質CO2シークエンス(GCS)操作の注入および後注入期間において, 圧力とCO2プルームの時間空間的進化を正確に, 効率的に予測する深層学習ワークフローの開発と評価に寄与する。 深層学習ワークフローは、フーリエニューロン演算子に基づいて、入力変数やロック特性、よく操作された制御と時間ステップを含む機能を取り、圧力とCO2飽和状態の変数を予測する。 予測忠実度をさらに向上するため,これら2相の流体流動と輸送の一次駆動力の違いにより,CO2注入と後噴射期間の異なる深層学習モデルを訓練した。 状態変数を予測するために、さまざまな機能の組み合わせも検討します。 3次元不均質帯帯水層におけるco2注入と貯蔵の現実的な例を用いて,物理ベースのシミュレーションデータから訓練された深層学習ワークフローを適用し,物理過程をエミュレートする。 この数値実験により,2つの異なる深層学習モデルを用いて注入後の圧力を最も正確に予測し,CO2の累積注入量を含むGCSプロセス全体を1つの深部学習モデルで深部学習特徴とし,CO2飽和度を最も正確に予測することを示した。 インジェクション後の期間は, 累積CO2注入量を用いて, 圧力または飽和度を予測する際に, 炭素貯蔵量について深層学習モデルに伝えることが重要である。 ディープラーニングワークフローは、時間的および空間的スケールにわたる高い予測忠実度を提供するだけでなく、完全な物理貯水池シミュレーションに比べて250倍のスピードアップを提供するため、GCSの長期的なプロセスを管理するための重要な予測ツールとなる。

関連論文リスト

• Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
  現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。 我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T15:01:17Z)
• Machine Guided Discovery of Novel Carbon Capture Solvents [48.7576911714538]
  機械学習は、材料開発における時間とリソースの負担を軽減するための有望な方法を提供する。 そこで我々は, 市販の酸性ガススクラップ式炭素捕捉装置に適合する新規な水性アミンを, エンドツーエンドで発見する「発見サイクル」を開発した。 予測プロセスは、材料パラメータの両方の実験に対して60%の精度を示し、外部テストセット上では1つのパラメータに対して80%の精度を示す。
  論文  参考訳（メタデータ） (2023-03-24T18:32:38Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Real-time high-resolution CO$_2$ geological storage prediction using nested Fourier neural operators [58.728312684306545]
  炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。 CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。 我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
  論文  参考訳（メタデータ） (2022-10-31T04:04:03Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure Forecasting Based on Data Assimilation Using Surface Displacement from InSAR [0.0]
  InSAR(Interferometric Synthetic-Aperture Radar)データをモニタリングデータとして使用して,貯水池圧力の上昇を予測することを提案する。 InSARから解釈された表面変位マップを同化するための深層学習促進ワークフローを開発する。 このワークフローは、パーソナルコンピュータ上で30分でデータ同化と貯水圧予測を完了させることができる。
  論文  参考訳（メタデータ） (2022-01-21T05:17:08Z)
• A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage [2.464972164779053]
  本稿では,多孔質中流挙動の物理的理解を深層学習技術で活用し,高速な履歴マッチング・貯留層応答予測ワークフローを開発することを提案する。 マルチウェルインジェクション下での動的圧力とCO2配管幅を予測するための代理モデルを開発した。 このワークフローは、メインストリームの個人ワークステーションで1時間以内で、履歴マッチングと不確実な定量化による貯蓄予測を完了させることができる。
  論文  参考訳（メタデータ） (2021-05-09T16:38:29Z)
• Improving Deep Learning Performance for Predicting Large-Scale Porous-Media Flow through Feature Coarsening [1.4050836886292868]
  このレターは、大規模な3次元多孔質媒質中の流体の流れとして圧力変化を予測するための深層学習(dl)ワークフローを記述する。 物理シミュレーションデータからトレーニングしたDL手法を用いて,フィールドスケールの3次元地質CO貯留層における圧力場を予測する。
  論文  参考訳（メタデータ） (2021-05-08T17:58:46Z)

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。