論文の概要: A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems

• arxiv url: http://arxiv.org/abs/2308.04457v1
• Date: Sun, 6 Aug 2023 18:20:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-10 16:38:04.275403
• Title: A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems
• Title（参考訳）: 地下エネルギーシステムにおける物理インフォームド機械学習応用の批判的レビュー
• Authors: Abdeldjalil Latrach, Mohamed Lamine Malki, Misael Morales, Mohamed Mehana, Minou Rabiei
• Abstract要約: 物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。 PIMLは、モデルの一般化、物理法則の遵守、解釈可能性を改善する。 本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用について概説する。
• 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: Machine learning has emerged as a powerful tool in various fields, including computer vision, natural language processing, and speech recognition. It can unravel hidden patterns within large data sets and reveal unparalleled insights, revolutionizing many industries and disciplines. However, machine and deep learning models lack interpretability and limited domain-specific knowledge, especially in applications such as physics and engineering. Alternatively, physics-informed machine learning (PIML) techniques integrate physics principles into data-driven models. By combining deep learning with domain knowledge, PIML improves the generalization of the model, abidance by the governing physical laws, and interpretability. This paper comprehensively reviews PIML applications related to subsurface energy systems, mainly in the oil and gas industry. The review highlights the successful utilization of PIML for tasks such as seismic applications, reservoir simulation, hydrocarbons production forecasting, and intelligent decision-making in the exploration and production stages. Additionally, it demonstrates PIML's capabilities to revolutionize the oil and gas industry and other emerging areas of interest, such as carbon and hydrogen storage; and geothermal systems by providing more accurate and reliable predictions for resource management and operational efficiency.
• Abstract（参考訳）: 機械学習は、コンピュータビジョン、自然言語処理、音声認識など、さまざまな分野で強力なツールとして登場した。 大きなデータセットの中に隠れたパターンを解き放ち、例外のない洞察を明らかにし、多くの産業や規律に革命をもたらす。 しかし、機械とディープラーニングモデルは、特に物理学や工学のような応用において、解釈可能性やドメイン固有の知識に欠ける。 あるいは、物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。 深層学習とドメイン知識を組み合わせることで、PIMLはモデルの一般化、物理法則の遵守、解釈可能性を改善する。 本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用を包括的にレビューする。 本総説では, 地震探査, 貯水池シミュレーション, 炭化水素生産予測, 探索・生産段階における知的意思決定などのタスクにおけるPIMLの利用が成功している点を強調した。 さらに、pimlが資源管理と運用効率のより正確で信頼性の高い予測を提供することで、石油・ガス産業や炭素・水素貯蔵などの新興分野や地熱システムに革命をもたらす能力を示している。

関連論文リスト

• A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection [1.124958340749622]
  PIMLは、既知の物理法則と制約を機械学習アルゴリズムに組み込んだものである。 本研究では,条件モニタリングの文脈におけるPIML技術の概要を概観する。
  論文  参考訳（メタデータ） (2024-01-22T11:29:44Z)
• Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications [3.430730454702436]
  物理学と機械学習の交わりは、物理学の強化された機械学習(PEML)パラダイムを生み出した。 PEMLは、データまたは物理のみの手法の能力を向上し、個々の欠点を減らすことを目的としている。 本論文は, 科学・工学研究の限界を推し進める上で, PEMLの重要性を浮き彫りにするものである。
  論文  参考訳（メタデータ） (2023-10-31T12:50:25Z)
• Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
  物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
  論文  参考訳（メタデータ） (2023-06-24T05:24:48Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• When Physics Meets Machine Learning: A Survey of Physics-Informed Machine Learning [14.296078151381591]
  物理インフォームド機械学習(PIML)は、トレーニングデータの不足を軽減し、モデルの一般化性を高め、結果の物理的妥当性を確保する効果的な方法である。 1)PIMLの動機,(2)PIMLの物理知識,(3)PIMLの物理知識統合の方法の3つの側面から,PIMLにおける最近の多くの研究を概説する。
  論文  参考訳（メタデータ） (2022-03-31T04:58:27Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Machine Learning for Naval Architecture, Ocean and Marine Engineering [0.0]
  この記事では、海軍アーキテクチャ、海洋工学、海洋工学における機械学習アルゴリズムの適用についてレビューする。 本稿では, 波高予測, 船舶の風荷重計算, オフショアプラットホームの損傷検出, 船体付加抵抗の計算など, さまざまな問題に対する機械学習アルゴリズムの適用について論じる。
  論文  参考訳（メタデータ） (2021-09-01T09:36:12Z)
• Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
  地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。 したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。 近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
  論文  参考訳（メタデータ） (2021-04-10T13:40:22Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。