論文の概要: Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure
Forecasting Based on Data Assimilation Using Surface Displacement from InSAR
- arxiv url: http://arxiv.org/abs/2201.08543v1
- Date: Fri, 21 Jan 2022 05:17:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 14:35:18.300169
- Title: Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure
Forecasting Based on Data Assimilation Using Surface Displacement from InSAR
- Title（参考訳）: InSARの表面変位を用いたデータ同化に基づく深層学習型3次元炭素貯留層圧力予測
- Authors: Hewei Tang, Pengcheng Fu, Honggeun Jo, Su Jiang, Christopher S.
Sherman, Fran\c{c}ois Hamon, Nicholas A. Azzolina, and Joseph P. Morris
- Abstract要約: 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。
- 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: Fast forecasting of reservoir pressure distribution in geologic carbon
storage (GCS) by assimilating monitoring data is a challenging problem. Due to
high drilling cost, GCS projects usually have spatially sparse measurements
from wells, leading to high uncertainties in reservoir pressure prediction. To
address this challenge, we propose to use low-cost Interferometric
Synthetic-Aperture Radar (InSAR) data as monitoring data to infer reservoir
pressure build up. We develop a deep learning-accelerated workflow to
assimilate surface displacement maps interpreted from InSAR and to forecast
dynamic reservoir pressure. Employing an Ensemble Smoother Multiple Data
Assimilation (ES-MDA) framework, the workflow updates three-dimensional (3D)
geologic properties and predicts reservoir pressure with quantified
uncertainties. We use a synthetic commercial-scale GCS model with bimodally
distributed permeability and porosity to demonstrate the efficacy of the
workflow. A two-step CNN-PCA approach is employed to parameterize the bimodal
fields. The computational efficiency of the workflow is boosted by two residual
U-Net based surrogate models for surface displacement and reservoir pressure
predictions, respectively. The workflow can complete data assimilation and
reservoir pressure forecasting in half an hour on a personal computer.
- Abstract（参考訳）: モニタリングデータの同化による地質炭素貯蔵(gcs)における貯留層圧力分布の高速予測は難しい課題である。
掘削コストが高いため、GCSプロジェクトは通常井戸から空間的に疎らな測定を行い、貯水池圧力予測に高い不確実性をもたらす。
そこで本研究では,insar(interferometric synthetic-aperture radar)データを用いて貯留層圧力を推定する手法を提案する。
InSARから解釈された表面変位マップを同化し,動的貯水池圧力を予測する深層学習促進ワークフローを開発した。
Ensemble Smoother Multiple Data Assimilation (ES-MDA) フレームワークを利用することで、ワークフローは3次元(3D)地質特性を更新し、定量化された不確実性を伴う貯水池圧力を予測する。
本稿では,二様分散透過性と多孔性を有する合成商業規模GCSモデルを用いて,ワークフローの有効性を実証する。
バイモーダル場をパラメータ化するために2段階のCNN-PCA手法を用いる。
ワークフローの計算効率は, 表面変位予測と貯留圧予測の2つの残留U-Netベースサロゲートモデルにより向上する。
ワークフローは、パーソナルコンピュータ上で30分以内にデータ同化と貯水圧予測を完了することができる。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - Joint inversion of Time-Lapse Surface Gravity and Seismic Data for
Monitoring of 3D CO$_2$ Plumes via Deep Learning [0.5439020425819]
地表面重力と地震データを組み合わせた3次元深層学習による地下密度・速度モデルの構築手法を提案する。
提案手法の目的は,CO2の隔離配置を監視するための補完ツールとして,地下CO2プラムの予測である。
論文 参考訳（メタデータ） (2023-09-24T15:41:40Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - A Robust Deep Learning Workflow to Predict Multiphase Flow Behavior
during Geological CO2 Sequestration Injection and Post-Injection Periods [1.4050836886292868]
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。
論文 参考訳（メタデータ） (2021-07-15T12:01:29Z) - 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) - Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$
sequestration [4.635171370680939]
3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。
サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
論文 参考訳（メタデータ） (2021-05-04T07:34:15Z) - A Variational Auto-Encoder for Reservoir Monitoring [0.0]
二酸化炭素キャプチャー・アンド・ストレージ(CCS)は、人為的CO$の排出を緩和する重要な戦略である。
本稿では,AZMI(Above Zone Monitoring Interval)井の圧力データに基づいて,圧力場を再構築し,記憶層のフラックスを分類する深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-23T12:33:09Z)
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。