論文の概要: Inversion of Time-Lapse Surface Gravity Data for Detection of 3D CO$_2$ Plumes via Deep Learning

• arxiv url: http://arxiv.org/abs/2209.02850v1
• Date: Tue, 6 Sep 2022 23:24:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-08 13:06:18.162595
• Title: Inversion of Time-Lapse Surface Gravity Data for Detection of 3D CO$_2$ Plumes via Deep Learning
• Title（参考訳）: 深層学習による3次元co$_2$プルーム検出のための時間経過表面重力データのインバージョン
• Authors: Adrian Celaya, Bertrand Denel, Yen Sun, Mauricio Araya-Polo, Antony Price
• Abstract要約: シミュレーションされた重力データを3次元地下岩流特性に逆転する3つのアルゴリズムを導入する。 提案アルゴリズムは, 従来の逆転法より優れ, ほぼリアルタイムに高分解能な3次元地下再構成を行う。 その結果, 4次元表面重力モニタリングとディープラーニング技術を組み合わせることは, CO$$ストレージサイトを監視するための低コストで迅速で非侵襲的な方法であることがわかった。
• 参考スコア（独自算出の注目度）: 24.70079638524539
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce three algorithms that invert simulated gravity data to 3D subsurface rock/flow properties. The first algorithm is a data-driven, deep learning-based approach, the second mixes a deep learning approach with physical modeling into a single workflow, and the third considers the time dependence of surface gravity monitoring. The target application of these proposed algorithms is the prediction of subsurface CO$_2$ plumes as a complementary tool for monitoring CO$_2$ sequestration deployments. Each proposed algorithm outperforms traditional inversion methods and produces high-resolution, 3D subsurface reconstructions in near real-time. Our proposed methods achieve Dice scores of up to 0.8 for predicted plume geometry and near perfect data misfit in terms of $\mu$Gals. These results indicate that combining 4D surface gravity monitoring with deep learning techniques represents a low-cost, rapid, and non-intrusive method for monitoring CO$_2$ storage sites.
• Abstract（参考訳）: シミュレーション重力データを3次元地下岩流特性に逆転する3つのアルゴリズムを導入する。 第1のアルゴリズムはデータ駆動のディープラーニングベースのアプローチで、第2のアルゴリズムは物理モデリングとディープラーニングのアプローチを1つのワークフローに混合し、第3のアルゴリズムは表面重力モニタリングの時間依存性を考慮する。 提案アルゴリズムの目的は,CO$_2$沈降配置を監視するための補完ツールとして,表面下CO$_2$ plumesの予測である。 提案アルゴリズムは従来の逆転法より優れ, ほぼリアルタイムに高分解能な3次元地下再構成を行う。 提案手法は,予測プルーム幾何に対して最大0.8のDiceスコアを達成し,$\mu$Galsでほぼ完全なデータミスフィットを実現する。 これらの結果から, 4次元表面重力モニタリングと深層学習技術を組み合わせることで, 低コストで迅速で非侵襲的なCO$2$ストレージのモニタリング方法が示唆された。

関連論文リスト

• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• Joint inversion of Time-Lapse Surface Gravity and Seismic Data for Monitoring of 3D CO$_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)
• Normal Transformer: Extracting Surface Geometry from LiDAR Points Enhanced by Visual Semantics [6.516912796655748]
  本稿では,3次元点雲と2次元カラー画像から正規分布を推定する手法を提案する。 我々は,視覚的セマンティクスと3次元幾何データのハイブリッド情報を活用することを学ぶトランスフォーマーニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2022-11-19T03:55:09Z)
• Learning Geometry-Guided Depth via Projective Modeling for Monocular 3D Object Detection [70.71934539556916]
  射影モデルを用いて幾何学誘導深度推定を学習し, モノクル3次元物体検出を推し進める。 具体的には,モノクロ3次元物体検出ネットワークにおける2次元および3次元深度予測の投影モデルを用いた原理的幾何式を考案した。 本手法は, 適度なテスト設定において, 余分なデータを2.80%も加えることなく, 最先端単分子法の検出性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-29T12:30:39Z)
• Self-supervised Depth Estimation Leveraging Global Perception and Geometric Smoothness Using On-board Videos [0.5276232626689566]
  我々は,グローバルな特徴と局所的な特徴を同時に抽出する画素ワイド深度推定のためのDLNetを提案する。 幾何学的に自然な深度マップを予測するために3次元形状の滑らかさ損失を提案する。 KITTIとMake3Dベンチマークの実験では、提案したDLNetは最先端の手法と競合する性能を実現している。
  論文  参考訳（メタデータ） (2021-06-07T10:53:27Z)
• Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
  トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。 scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
  論文  参考訳（メタデータ） (2021-05-10T23:51:14Z)
• PLUME: Efficient 3D Object Detection from Stereo Images [95.31278688164646]
  既存の手法では、2つのステップでこの問題に対処する: 第一深度推定を行い、その深さ推定から擬似LiDAR点雲表現を計算し、3次元空間で物体検出を行う。 この2つのタスクを同一のメトリック空間で統一するモデルを提案する。 提案手法は,既存の手法と比較して推定時間を大幅に削減し,挑戦的なKITTIベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-01-17T05:11:38Z)
• Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
  一つのビデオから多視点深度を推定する新しい手法を提案する。 提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。 最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-26T04:04:21Z)
• DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
  本研究では,非構造型3次元点雲の表面フィッティング法を提案する。 DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
  論文  参考訳（メタデータ） (2020-03-23T09:18:54Z)
• PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
  PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。 その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
  論文  参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。