論文の概要: Accelerating Carbon Capture and Storage Modeling using Fourier Neural Operators

• arxiv url: http://arxiv.org/abs/2210.17051v1
• Date: Mon, 31 Oct 2022 04:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 19:30:53.725020
• Title: Accelerating Carbon Capture and Storage Modeling using 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捕獲・貯蔵の高速化
• Authors: Gege Wen, Zongyi Li, Qirui Long, Kamyar Azizzadenesheli, Anima Anandkumar, Sally M. Benson
• Abstract要約: 炭素捕獲貯蔵(CCS)は、二酸化炭素排出量を削減し、気候変動を緩和するための重要な戦略である。 これは、二酸化炭素配管の移動と貯水池圧力の上昇の正確かつ高精度な予測を必要とする。 我々は4次元空間時間モデリングのための新しい機械学習手法を導入し、既存の手法と比較して約70万倍の予測を高速化する。
• 参考スコア（独自算出の注目度）: 58.728312684306545
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Carbon capture and storage (CCS) is an important strategy for reducing carbon dioxide emissions and mitigating climate change. We consider the storage aspect of CCS, which involves injecting carbon dioxide into underground reservoirs. This requires accurate and high-resolution predictions of carbon dioxide plume migration and reservoir pressure buildup. However, such modeling is challenging at scale due to the high computational costs of existing numerical methods. We introduce a novel machine learning approach for four-dimensional spatial-temporal modeling, which speeds up predictions nearly 700,000 times compared to existing methods. It provides highly accurate predictions under diverse reservoir conditions, geological heterogeneity, and injection schemes. Our framework, Nested Fourier Neural Operator (FNO), learns the solution operator for the family of partial differential equations governing the carbon dioxide-water multiphase flow. It uses a hierarchy of FNO models to produce outputs at different refinement levels. Thus, our approach enables unprecedented real-time high-resolution modeling for carbon dioxide storage.
• Abstract（参考訳）: 炭素捕獲貯蔵(CCS)は、二酸化炭素排出量を削減し、気候変動を緩和するための重要な戦略である。 地下貯水池に二酸化炭素を注入するCCSの貯蔵面について考察する。 これは、二酸化炭素配管の移動と貯水池圧力の上昇の正確かつ高精度な予測を必要とする。 しかし,既存の数値計算手法の計算コストが高いため,大規模化は困難である。 我々は4次元空間時間モデリングのための新しい機械学習手法を導入し、既存の手法と比較して約70万倍の予測を高速化する。 多様な貯水池条件下での高精度な予測、地質学的不均一性、および注入スキームを提供する。 我々のフレームワークであるNested Fourier Neural Operator (FNO)は、二酸化炭素-水相流を管理する偏微分方程式の族に対する解演算子を学習する。 FNOモデルの階層構造を使用して、異なる洗練レベルで出力を生成する。 これにより,前例のない二酸化炭素貯留量のリアルタイム高分解能モデリングが可能となる。

関連論文リスト

• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• A POMDP Model for Safe Geological Carbon Sequestration [30.638615396429536]
  地質的な炭素捕獲と隔離(CCS)は、地球規模の排出量を減らすための有望でスケーラブルなアプローチである。 間違った処理をすれば、地震やCO$が地表に流出し、人間と環境の両方を傷つける可能性がある。 我々は,CCSの操作を部分的に観測可能なマルコフ決定プロセス (POMDP) としてモデル化し,自動計画アルゴリズムを用いて決定を通知することを提案する。
  論文  参考訳（メタデータ） (2022-10-25T01:04:13Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow for Commercial-Scale Geologic Carbon Storage [2.464972164779053]
  本稿では,多孔質中流挙動の物理的理解を深層学習技術で活用し,高速な履歴マッチング・貯留層応答予測ワークフローを開発することを提案する。 マルチウェルインジェクション下での動的圧力とCO2配管幅を予測するための代理モデルを開発した。 このワークフローは、メインストリームの個人ワークステーションで1時間以内で、履歴マッチングと不確実な定量化による貯蓄予測を完了させることができる。
  論文  参考訳（メタデータ） (2021-05-09T16:38:29Z)
• Deep-learning-based coupled flow-geomechanics surrogate model for CO$_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)
• CCSNet: a deep learning modeling suite for CO$_2$ storage [0.0]
  CCSNetは、数値シミュレータが通常提供するすべての出力を生成する一連のディープラーニングモデルで構成されている。 結果は従来の数値シミュレータよりも10$3$から10$4$の速度です。
  論文  参考訳（メタデータ） (2021-04-05T06:56:25Z)
• Hessian-Free High-Resolution Nesterov Acceleration for Sampling [55.498092486970364]
  最適化のためのNesterovのAccelerated Gradient(NAG)は、有限のステップサイズを使用する場合の連続時間制限(ノイズなしの運動的ランゲヴィン)よりも優れたパフォーマンスを持つ。 本研究は, この現象のサンプリング法について検討し, 離散化により加速勾配に基づくMCMC法が得られる拡散過程を提案する。
  論文  参考訳（メタデータ） (2020-06-16T15:07:37Z)
• Bayesian Inversion Of Generative Models For Geologic Storage Of Carbon Dioxide [4.169510754940645]
  炭素捕獲と貯蔵は大気の脱炭素化を助長し、さらなる地球温度上昇を抑える。 教師なし学習を利用したフレームワークは、二酸化炭素の長期保存のための潜在的な場所を調べるために、様々な地下地質ボリュームを生成するために使用される。
  論文  参考訳（メタデータ） (2020-01-08T15:09:27Z)

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。