論文の概要: Uncertainty quantification and inverse modeling for subsurface flow in
3D heterogeneous formations using a theory-guided convolutional
encoder-decoder network
- arxiv url: http://arxiv.org/abs/2111.08691v1
- Date: Sun, 14 Nov 2021 10:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 16:12:09.524039
- Title: Uncertainty quantification and inverse modeling for subsurface flow in
3D heterogeneous formations using a theory-guided convolutional
encoder-decoder network
- Title（参考訳）: 理論誘導型畳み込みエンコーダ・デコーダネットワークを用いた3次元不均質構造における不確かさの定量化と逆解析
- Authors: Rui Xu, Dongxiao Zhang, Nanzhe Wang
- Abstract要約: 複数の垂直生産井を有する動的3次元地下単相流問題に対する代理モデルを構築した。
代理モデルは任意のタイミングで全体の形成を効率的に推算する。
ウェル生産率またはボトムホール圧力はピースマンの公式に基づいて決定できる。
- 参考スコア（独自算出の注目度）: 5.018057056965207
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We build surrogate models for dynamic 3D subsurface single-phase flow
problems with multiple vertical producing wells. The surrogate model provides
efficient pressure estimation of the entire formation at any timestep given a
stochastic permeability field, arbitrary well locations and penetration
lengths, and a timestep matrix as inputs. The well production rate or bottom
hole pressure can then be determined based on Peaceman's formula. The original
surrogate modeling task is transformed into an image-to-image regression
problem using a convolutional encoder-decoder neural network architecture. The
residual of the governing flow equation in its discretized form is incorporated
into the loss function to impose theoretical guidance on the model training
process. As a result, the accuracy and generalization ability of the trained
surrogate models are significantly improved compared to fully data-driven
models. They are also shown to have flexible extrapolation ability to
permeability fields with different statistics. The surrogate models are used to
conduct uncertainty quantification considering a stochastic permeability field,
as well as to infer unknown permeability information based on limited well
production data and observation data of formation properties. Results are shown
to be in good agreement with traditional numerical simulation tools, but
computational efficiency is dramatically improved.
- Abstract（参考訳）: 複数の垂直生産井を有する動的3次元単相流問題に対するサロゲートモデルを構築した。
シュロゲートモデルは、確率的透水性場、任意の井戸位置と貫入長さ、入力としてのタイムステップ行列が与えられた任意の時点における全体形成の効率的な圧力推定を提供する。
ウェル生産率またはボトムホール圧力はピースマンの公式に基づいて決定できる。
元の代理モデリングタスクは畳み込みエンコーダ・デコーダニューラルネットワークアーキテクチャを用いて画像から画像への回帰問題に変換される。
離散化形式における支配フロー方程式の残差を損失関数に組み込んでモデルトレーニングプロセスに理論的指導を課す。
その結果、訓練されたサロゲートモデルの精度と一般化能力は、完全なデータ駆動モデルよりも大幅に向上した。
また、異なる統計量を持つフィールドを透過する柔軟な外挿能力を持つことも示されている。
確率的透過性場を考慮した不確実性定量化を行うとともに、限られたウェル生産データと形成特性の観測データに基づいて未知の透過性情報を推定するためにサロゲートモデルを用いる。
結果は従来の数値シミュレーションツールとよく一致しているが、計算効率は劇的に向上している。
関連論文リスト
- Hybrid data-driven and physics-informed regularized learning of cyclic
plasticity with Neural Networks [0.0]
提案したモデルアーキテクチャは、既存の文献のソリューションに比べてシンプルで効率的である。
この手法の検証はアームストロング・フレデリックのキネマティック・ハードニング・モデルを用いて得られたサロゲートデータを用いて行う。
論文 参考訳（メタデータ） (2024-03-04T07:09:54Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳（メタデータ） (2023-10-22T23:56:19Z) - 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) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳（メタデータ） (2023-02-14T23:50:53Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - Data-Driven Shadowgraph Simulation of a 3D Object [50.591267188664666]
我々は、数値コードをより安価でプロジェクションベースのサロゲートモデルに置き換えている。
このモデルは、数値的な方法で必要となるすべての前の電場を計算することなく、所定の時間で電場を近似することができる。
このモデルでは, シミュレーションパラメータの狭い範囲におけるデータの摂動問題において, 高品質な再構成が示されており, 大規模な入力データに利用することができる。
論文 参考訳（メタデータ） (2021-06-01T08:46:04Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - Solving inverse problems using conditional invertible neural networks [0.0]
我々は、与えられた観測結果を未知の入力フィールドに代理モデルとしてマッピングするモデルを開発する。
この逆代理モデルにより、任意のスパースおよびノイズ出力観測に対して未知の入力場を推定することができる。
論文 参考訳（メタデータ） (2020-07-31T05:08:04Z)
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。