論文の概要: Use of Multifidelity Training Data and Transfer Learning for Efficient
Construction of Subsurface Flow Surrogate Models
- arxiv url: http://arxiv.org/abs/2204.11138v1
- Date: Sat, 23 Apr 2022 20:09:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-26 15:37:59.848590
- Title: Use of Multifidelity Training Data and Transfer Learning for Efficient
Construction of Subsurface Flow Surrogate Models
- Title（参考訳）: 地下流サーロゲートモデルの効率的な構築のためのマルチフィデリティトレーニングデータとトランスファーラーニング
- Authors: Su Jiang, Louis J. Durlofsky
- Abstract要約: データ駆動サロゲートモデルを構築するには、トレーニングサンプルを提供するために数千の高忠実度シミュレーションを実行する必要がある。
本稿では,大まかなジオモデルを用いてトレーニングシミュレーションを行うフレームワークを提案する。
このネットワークは、ほとんどのトレーニングで使用される低忠実度シミュレーションよりもはるかに正確な結果を提供する。
- 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: Data assimilation presents computational challenges because many
high-fidelity models must be simulated. Various deep-learning-based surrogate
modeling techniques have been developed to reduce the simulation costs
associated with these applications. However, to construct data-driven surrogate
models, several thousand high-fidelity simulation runs may be required to
provide training samples, and these computations can make training
prohibitively expensive. To address this issue, in this work we present a
framework where most of the training simulations are performed on coarsened
geomodels. These models are constructed using a flow-based upscaling method.
The framework entails the use of a transfer-learning procedure, incorporated
within an existing recurrent residual U-Net architecture, in which network
training is accomplished in three steps. In the first step. where the bulk of
the training is performed, only low-fidelity simulation results are used. The
second and third steps, in which the output layer is trained and the overall
network is fine-tuned, require a relatively small number of high-fidelity
simulations. Here we use 2500 low-fidelity runs and 200 high-fidelity runs,
which leads to about a 90% reduction in training simulation costs. The method
is applied for two-phase subsurface flow in 3D channelized systems, with flow
driven by wells. The surrogate model trained with multifidelity data is shown
to be nearly as accurate as a reference surrogate trained with only
high-fidelity data in predicting dynamic pressure and saturation fields in new
geomodels. Importantly, the network provides results that are significantly
more accurate than the low-fidelity simulations used for most of the training.
The multifidelity surrogate is also applied for history matching using an
ensemble-based procedure, where accuracy relative to reference results is again
demonstrated.
- Abstract（参考訳）: データ同化は、多くの高忠実度モデルをシミュレートする必要があるため、計算上の課題を示す。
様々な深層学習に基づく代理モデリング技術が開発され,これらの応用によるシミュレーションコストの低減が図られている。
しかし、データ駆動サロゲートモデルを構築するには、トレーニングサンプルを提供するために数千の高忠実度シミュレーション実行が必要であり、これらの計算はトレーニングを違法に高価にすることができる。
この問題に対処するため,本研究では,トレーニングシミュレーションのほとんどが粗いジオモデル上で実行されるフレームワークを提案する。
これらのモデルはフローベースのアップスケーリング手法を用いて構築される。
このフレームワークは、ネットワークトレーニングを3つのステップで達成する、既存のリカレント残余u-netアーキテクチャに組み込まれたトランスファーラーニング手順の使用を伴っている。
最初のステップです。
トレーニングの大部分が実行される場合、低忠実度シミュレーション結果のみを使用する。
出力層を訓練し、ネットワーク全体を微調整する第2ステップと第3ステップは、比較的少数の高忠実度シミュレーションを必要とする。
ここでは2500の低忠実度ランと200の高忠実度ランを使用し、トレーニングシミュレーションコストの約90%削減につながります。
本手法は3次元流路系における2相地下流れに適用し, 坑井により流れを駆動する。
マルチフィデリティデータでトレーニングされたサーロゲートモデルは、新しいジオモデルにおける動的圧力と飽和場を予測する際に、高フィデリティデータのみでトレーニングされた参照サーロゲートとほぼ同じ精度であることが示されている。
重要なことに、ネットワークはトレーニングの大部分で使用される低忠実度シミュレーションよりもはるかに正確な結果を提供する。
マルチフィデリティサロゲートはアンサンブルベースの手順を用いて履歴マッチングにも適用され、参照結果に対する精度が再び示される。
関連論文リスト
- Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。
ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。
以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models [0.34592277400656235]
マルチフィデリティ機械学習手法は、少ないリソース集約型高フィデリティデータと、豊富なが精度の低い低フィデリティデータを統合する。
低次元領域と高次元領域にまたがる問題に対する実用的多面性戦略を提案する。
論文 参考訳（メタデータ） (2024-07-21T10:40:50Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳（メタデータ） (2023-06-22T14:07:54Z) - A Physics-informed Diffusion Model for High-fidelity Flow Field
Reconstruction [0.0]
本研究では,高忠実度データのみを使用する拡散モデルを提案する。
異なる構成で、本モデルでは、正規の低忠実度サンプルまたはスパース測定サンプルから高忠実度データを再構成することができる。
本モデルでは, 異なる入力源に基づく2次元乱流の正確な再構成結果が得られるが, 再学習は行わない。
論文 参考訳（メタデータ） (2022-11-26T23:14:18Z) - Data efficient surrogate modeling for engineering design: Ensemble-free
batch mode deep active learning for regression [0.6021787236982659]
そこで本研究では,学生と教師の共用で,サロゲートモデルを学習するための,シンプルでスケーラブルな学習手法を提案する。
提案手法を用いることで,DBALやモンテカルロサンプリングのような他のベースラインと同レベルのサロゲート精度が得られる。
論文 参考訳（メタデータ） (2022-11-16T02:31:57Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - Simulation-Based Parallel Training [55.41644538483948]
このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。
トレーニングプロセスと並行してデータを生成する。
このバイアスをメモリバッファで軽減する戦略を提案する。
論文 参考訳（メタデータ） (2022-11-08T09:31:25Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Improving Non-autoregressive Generation with Mixup Training [51.61038444990301]
本稿では,事前学習したトランスモデルに基づく非自己回帰生成モデルを提案する。
我々はMIxソースと擬似ターゲットという,シンプルで効果的な反復訓練手法を提案する。
質問生成,要約,パラフレーズ生成を含む3つの世代ベンチマーク実験により,提案手法が新たな最先端結果を実現することを示す。
論文 参考訳（メタデータ） (2021-10-21T13:04:21Z)
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。