論文の概要: Learned coupled inversion for carbon sequestration monitoring and forecasting with Fourier neural operators

• arxiv url: http://arxiv.org/abs/2203.14396v1
• Date: Sun, 27 Mar 2022 21:16:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 08:43:39.776565
• Title: Learned coupled inversion for carbon sequestration monitoring and forecasting with Fourier neural operators
• Title（参考訳）: フーリエニューラル演算子を用いた炭素沈降モニタリングと予測のための学習的結合インバージョン
• Authors: Ziyi Yin and Ali Siahkoohi and Mathias Louboutin and Felix J. Herrmann
• Abstract要約: 炭素貯蔵沈降の地震観測は, 流体物理と波動物理の両方が関与する難しい問題である。 本稿では、波動モデリング演算子、岩石特性変換およびプロキシ流体流シミュレータに基づく学習結合型逆変換フレームワークを提案する。 本研究では,流体流シミュレータのプロキシとしてフーリエニューラル演算子を計算コストのごく一部で正確に利用できることを示す。
• 参考スコア（独自算出の注目度）: 2.207988653560308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Seismic monitoring of carbon storage sequestration is a challenging problem involving both fluid-flow physics and wave physics. Additionally, monitoring usually requires the solvers for these physics to be coupled and differentiable to effectively invert for the subsurface properties of interest. To drastically reduce the computational cost, we introduce a learned coupled inversion framework based on the wave modeling operator, rock property conversion and a proxy fluid-flow simulator. We show that we can accurately use a Fourier neural operator as a proxy for the fluid-flow simulator for a fraction of the computational cost. We demonstrate the efficacy of our proposed method by means of a synthetic experiment. Finally, our framework is extended to carbon sequestration forecasting, where we effectively use the surrogate Fourier neural operator to forecast the CO2 plume in the future at near-zero additional cost.
• Abstract（参考訳）: 炭素貯蔵隔離の地震モニタリングは流体-流れ物理学と波動物理学の両方の難しい問題である。 さらに、監視は通常、これらの物理学が結合され、関心の地下の性質を効果的に逆転するために微分可能であることを要求する。 計算コストを大幅に削減するために,波動モデリング演算子,岩石特性変換,プロキシ流体流シミュレータに基づく学習結合型逆変換フレームワークを導入する。 本研究では,流体流シミュレータのプロキシとしてフーリエニューラル演算子を計算コストのごく一部で正確に利用できることを示す。 合成実験により提案手法の有効性を実証した。 最後に、我々のフレームワークは炭素沈降予測に拡張され、サロゲートフーリエニューラル演算子を効果的に使用して、将来のCO2配管をほぼゼロの追加コストで予測する。

関連論文リスト

• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)
• Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
  大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。 大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。 本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-20T17:33:20Z)
• Neural Surrogate HMC: Accelerated Hamiltonian Monte Carlo with a Neural Network Surrogate Likelihood [0.0]
  ニューラルネットワークによって実装された代理確率関数を用いて計算を復号化することにより,いくつかの問題を抽出可能であることを示す。 これは、確率評価におけるノイズの低減と高速勾配計算の2つの利点があることを示す。
  論文  参考訳（メタデータ） (2024-07-29T21:54:57Z)
• Feasibility of accelerating incompressible computational fluid dynamics simulations with fault-tolerant quantum computers [1.7812428873698407]
  本研究では, CFDシミュレーションの高速化と精度向上のため, フォールトトレラント量子コンピュータの適用可能性について検討した。 球面上のドラッグ力の単純な場合に必要な量子資源を推定する。
  論文  参考訳（メタデータ） (2024-06-10T14:38:46Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Real-time high-resolution CO$_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)
• Machine Learning for Improved Gas Network Models in Coordinated Energy Systems [0.0]
  本研究では,非拘束型天然ガスの流動特性を改善するためのニューラルネットワーク最適化手法を提案する。 提案フレームワークは, 複雑な潜在的不正確なニューラル化アプローチを伴わずに, 双方向性を検討することができる。
  論文  参考訳（メタデータ） (2022-09-26T14:34:26Z)
• 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)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)

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。