論文の概要: Deep Learning for Simultaneous Inference of Hydraulic and Transport
Properties
- arxiv url: http://arxiv.org/abs/2110.12367v1
- Date: Sun, 24 Oct 2021 07:02:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-31 15:40:18.001829
- Title: Deep Learning for Simultaneous Inference of Hydraulic and Transport
Properties
- Title(参考訳): 油圧・輸送特性の同時推定のための深層学習
- Authors: Zitong Zhou, Nicholas Zabaras, Daniel M. Tartakovsky
- Abstract要約: 異種非ガウス導電率場のパラメータ化には、畳み込み逆自己エンコーダ(CAAE)を用いる。
また3次元の高密度畳み込みエンコーダデコーダ(DenseED)ネットワークをトレーニングし,フローおよび輸送プロセスのフォワードサロゲートとして機能させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying the heterogeneous conductivity field and reconstructing the
contaminant release history are key aspects of subsurface remediation.
Achieving these two goals with limited and noisy hydraulic head and
concentration measurements is challenging. The obstacles include solving an
inverse problem for high-dimensional parameters, and the high-computational
cost needed for the repeated forward modeling. We use a convolutional
adversarial autoencoder (CAAE) for the parameterization of the heterogeneous
non-Gaussian conductivity field with a low-dimensional latent representation.
Additionally, we trained a three-dimensional dense convolutional
encoder-decoder (DenseED) network to serve as the forward surrogate for the
flow and transport processes. Combining the CAAE and DenseED forward surrogate
models, the ensemble smoother with multiple data assimilation (ESMDA) algorithm
is used to sample from the Bayesian posterior distribution of the unknown
parameters, forming a CAAE-DenseED-ESMDA inversion framework. We applied this
CAAE-DenseED-ESMDA inversion framework in a three-dimensional contaminant
source and conductivity field identification problem. A comparison of the
inversion results from CAAE-ESMDA with physical flow and transport simulator
and CAAE-DenseED-ESMDA is provided, showing that accurate reconstruction
results were achieved with a much higher computational efficiency.
- Abstract(参考訳): 不均質導電性フィールドの同定と汚染物質放出履歴の再構築は地下修復の重要な側面である。
これら2つの目標を限定的かつノイズの多い油圧ヘッドと濃度測定で達成することは困難である。
この障害には、高次元パラメータの逆問題と、繰り返しフォワードモデリングに必要な高計算コストが含まれる。
低次元潜在表現を持つ異種非ガウス導電率場のパラメータ化には、畳み込み逆自己エンコーダ(CAAE)を用いる。
さらに, 3次元高密度畳み込みエンコーダデコーダ(denseed)ネットワークを訓練し, 流れと輸送過程のフォワードサロゲートとして機能させた。
CAAEとDenseEDフォワードサロゲートモデルを組み合わせることで、未知パラメータのベイズ分布から複数のデータ同化(ESMDA)アルゴリズムをサンプリングし、CAAE-DenseED-ESMDAインバージョンフレームワークを形成する。
このCAAE-DenseED-ESMDAインバージョンフレームワークを3次元汚染源および導電性場同定問題に適用した。
CAAE-ESMDAと物理流・輸送シミュレータの逆解析結果とCAAE-DenseED-ESMDAの逆解析結果を比較し,計算効率が向上した。
関連論文リスト
- Efficient deep data assimilation with sparse observations and
time-varying sensors [17.249916158780884]
VariatIonal Data Assimilation(VIVID)のためのVoronoi-tessellation逆演算子
VariatIonal Data Assimilation(VIVID)のための新しい変分DAスキームであるVoronoi-tessellation Inverse operatorを導入する。
VIVIDはスパース、非構造化、時間変化センサーデータを扱うのに適している。
論文 参考訳(メタデータ) (2023-10-24T21:13:59Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳(メタデータ) (2023-03-10T07:42:49Z) - Dimension-reduced KRnet maps for high-dimensional inverse problems [0.0]
高次元逆問題に対する次元還元KRnetマップアプローチ(DR-KRnet)を提案する。
提案手法は,データ駆動型VAE前駆体と潜伏変数後部密度近似の2つの主成分から構成される。
論文 参考訳(メタデータ) (2023-03-01T15:16:27Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - Accurate Discharge Coefficient Prediction of Streamlined Weirs by
Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。
提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
論文 参考訳(メタデータ) (2022-04-12T01:59:36Z) - DepthFormer: Exploiting Long-Range Correlation and Local Information for
Accurate Monocular Depth Estimation [50.08080424613603]
高精度な単分子深度推定には長距離相関が不可欠である。
我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。
提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
論文 参考訳(メタデータ) (2022-03-27T05:03:56Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Projected Sliced Wasserstein Autoencoder-based Hyperspectral Images
Anomaly Detection [42.585075865267946]
本稿では,PSW自動エンコーダを用いた異常検出手法を提案する。
特に、計算フレンドリーな固有分解法を利用して、高次元データをスライスする主成分を見つける。
様々な実世界のハイパースペクトル異常検出ベンチマークで実施した総合的な実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-12-20T09:21:02Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳(メタデータ) (2021-12-14T13:14:24Z) - Quasi-symplectic Langevin Variational Autoencoder [7.443843354775884]
変分オートエンコーダ(VAE)は、ニューラルネットワーク研究において非常に人気があり、よく研究されている生成モデルである。
低分散証拠低境界(ELBO)構築の難しさに対処することが求められている。
論文 参考訳(メタデータ) (2020-09-02T12:13:27Z)
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。