論文の概要: Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural
Networks
- arxiv url: http://arxiv.org/abs/2306.09648v1
- Date: Fri, 16 Jun 2023 06:47:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 14:49:06.925173
- Title: Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural
Networks
- Title(参考訳): グラフニューラルネットワークを用いた断層貯留層におけるCO$_2$プルームマイグレーションの学習
- Authors: Xin Ju, Fran\c{c}ois P. Hamon, Gege Wen, Rayan Kanfar, Mauricio
Araya-Polo, Hamdi A. Tchelepi
- Abstract要約: 我々は,CO$$ plumeマイグレーションに対する断層の影響を捉えるグラフベースのニューラルモデルを開発した。
本研究では, 断層を有する合成貯留層において, ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。
この研究は、複雑な断層と破壊を伴う地下流れを正確にかつ迅速にモデル化するためのGNNベースの手法の可能性を強調している。
- 参考スコア(独自算出の注目度): 0.3914676152740142
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning-based surrogate models provide an efficient complement to
numerical simulations for subsurface flow problems such as CO$_2$ geological
storage. Accurately capturing the impact of faults on CO$_2$ plume migration
remains a challenge for many existing deep learning surrogate models based on
Convolutional Neural Networks (CNNs) or Neural Operators. We address this
challenge with a graph-based neural model leveraging recent developments in the
field of Graph Neural Networks (GNNs). Our model combines graph-based
convolution Long-Short-Term-Memory (GConvLSTM) with a one-step GNN model,
MeshGraphNet (MGN), to operate on complex unstructured meshes and limit
temporal error accumulation. We demonstrate that our approach can accurately
predict the temporal evolution of gas saturation and pore pressure in a
synthetic reservoir with impermeable faults. Our results exhibit a better
accuracy and a reduced temporal error accumulation compared to the standard MGN
model. We also show the excellent generalizability of our algorithm to mesh
configurations, boundary conditions, and heterogeneous permeability fields not
included in the training set. This work highlights the potential of GNN-based
methods to accurately and rapidly model subsurface flow with complex faults and
fractures.
- Abstract(参考訳): 深層学習に基づくサーロゲートモデルは、co$_2$地中貯留などの地下流れ問題の数値シミュレーションを効率的に補完する。
CO$_2$ plumeマイグレーションに対する障害の影響を正確に把握することは、畳み込みニューラルネットワーク(CNN)やニューラル演算子に基づく多くの既存のディープラーニングサロゲートモデルにとって、依然として課題である。
グラフニューラルネットワーク(GNN)の分野における最近の発展を活用するグラフベースのニューラルモデルにより、この問題に対処する。
我々のモデルは、グラフベースの畳み込み長短メモリ(GConvLSTM)と1ステップのGNNモデルであるMeshGraphNet(MGN)を組み合わせることで、複雑な非構造化メッシュ上で動作し、時間的エラーの蓄積を制限する。
我々は,不透水性断層を有する合成貯水池において,ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。
その結果,標準mgnモデルと比較して精度が向上し,時間誤差の蓄積が減少した。
また,トレーニングセットに含まれないメッシュ構成,境界条件,不均一透水性場に対するアルゴリズムの優れた一般化性を示す。
本研究は,複雑な断層や破壊を伴う地下流れを高精度かつ迅速にモデル化するgnn法の可能性に注目したものである。
関連論文リスト
- Interpretable Fine-Tuning for Graph Neural Network Surrogate Models [0.0]
本研究は,グラフニューラルネットワーク(GNN)の解釈可能な微調整戦略を導入する。
最終結果は、予測タスクに本質的に関連付けられている部分グラフに対応する物理空間内の領域を分離する強化された微調整モデルである。
正規化手順により、微調整されたGNNを使用して、予測予測エラーの大多数に対応するグラフノードを推論時に特定することもできる。
論文 参考訳(メタデータ) (2023-11-13T18:37:07Z) - Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。
格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。
トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
論文 参考訳(メタデータ) (2023-09-11T21:14:55Z) - Graph Convolutional Networks for Simulating Multi-phase Flow and
Transport in Porous Media [0.0]
グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と輸送過程の時空間解を近似する。
2次元不均質試験の結果,サロゲートは圧力と飽和状態の進化を高い精度で予測できることがわかった。
論文 参考訳(メタデータ) (2023-07-10T09:59:35Z) - Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳(メタデータ) (2023-07-01T04:44:43Z) - EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural
Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。
GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。
偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文 参考訳(メタデータ) (2022-05-27T10:48:14Z) - EIGNN: Efficient Infinite-Depth Graph Neural Networks [51.97361378423152]
グラフニューラルネットワーク(GNN)は多くのアプリケーションでグラフ構造化データのモデリングに広く利用されている。
この制限により、無限深度GNNモデルを提案し、これをEIGNN(Efficient Infinite-Depth Graph Neural Networks)と呼ぶ。
EIGNNは、最近のベースラインよりも長距離依存関係をキャプチャする能力が優れており、常に最先端のパフォーマンスを実現していることを示す。
論文 参考訳(メタデータ) (2022-02-22T08:16:58Z) - The World as a Graph: Improving El Ni\~no Forecasts with Graph Neural
Networks [0.00916150060695978]
季節予測へのグラフニューラルネットワークの最初の応用を提案する。
当社のモデルであるGraphinoは、最先端のディープラーニングベースのモデルで最大6ヶ月の予測を上回ります。
論文 参考訳(メタデータ) (2021-04-11T19:55:55Z) - Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。
本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。
特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
論文 参考訳(メタデータ) (2021-04-06T01:44:15Z) - Fast Learning of Graph Neural Networks with Guaranteed Generalizability:
One-hidden-layer Case [93.37576644429578]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。
回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
論文 参考訳(メタデータ) (2020-06-25T00:45:52Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳(メタデータ) (2020-06-04T08:00:00Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳(メタデータ) (2020-04-19T09:43:14Z)
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。