論文の概要: History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization
- arxiv url: http://arxiv.org/abs/2310.03228v1
- Date: Thu, 5 Oct 2023 00:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 19:49:23.533629
- Title: History Matching for Geological Carbon Storage using Data-Space
Inversion with Spatio-Temporal Data Parameterization
- Title（参考訳）: 時空間データパラメータを用いたデータ空間インバージョンを用いた地質炭素貯蔵の履歴マッチング
- Authors: Su Jiang, Louis J. Durlofsky
- Abstract要約: データ空間インバージョン(DSI)では、履歴にマッチした興味の量は、後続のジオモデルを構築することなく直接推測される。
これは、ベイズの設定内でのO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
- 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: History matching based on monitoring data will enable uncertainty reduction,
and thus improved aquifer management, in industrial-scale carbon storage
operations. In traditional model-based data assimilation, geomodel parameters
are modified to force agreement between flow simulation results and
observations. In data-space inversion (DSI), history-matched quantities of
interest, e.g., posterior pressure and saturation fields conditioned to
observations, are inferred directly, without constructing posterior geomodels.
This is accomplished efficiently using a set of O(1000) prior simulation
results, data parameterization, and posterior sampling within a Bayesian
setting. In this study, we develop and implement (in DSI) a deep-learning-based
parameterization to represent spatio-temporal pressure and CO2 saturation
fields at a set of time steps. The new parameterization uses an adversarial
autoencoder (AAE) for dimension reduction and a convolutional long short-term
memory (convLSTM) network to represent the spatial distribution and temporal
evolution of the pressure and saturation fields. This parameterization is used
with an ensemble smoother with multiple data assimilation (ESMDA) in the DSI
framework to enable posterior predictions. A realistic 3D system characterized
by prior geological realizations drawn from a range of geological scenarios is
considered. A local grid refinement procedure is introduced to estimate the
error covariance term that appears in the history matching formulation.
Extensive history matching results are presented for various quantities, for
multiple synthetic true models. Substantial uncertainty reduction in posterior
pressure and saturation fields is achieved in all cases. The framework is
applied to efficiently provide posterior predictions for a range of error
covariance specifications. Such an assessment would be expensive using a
model-based approach.
- Abstract（参考訳）: モニタリングデータに基づく履歴マッチングは,産業規模の炭素貯蔵業務において不確実性低減を可能にし,帯水層管理を改善する。
従来のモデルに基づくデータ同化では、ジオモデルパラメータはフローシミュレーション結果と観測結果の一致を強制するために修正される。
data-space inversion (dsi) では、後続のジオモデルを構築することなく、後続の圧力や飽和場など、履歴にマッチした興味の量を直接推測する。
これは、ベイズ設定内のO(1000)事前シミュレーション結果、データパラメータ化、および後続サンプリングのセットを用いて効率よく達成される。
本研究では,一組の時間ステップで時空間圧力とCO2飽和場を表現するための深層学習に基づくパラメータ化(DSI)を開発し,実装する。
新たなパラメータ化では、次元縮小のための対向オートエンコーダ(AAE)と畳み込み長短期メモリ(convLSTM)ネットワークを使用して、圧力場と飽和場の空間分布と時間的進化を表す。
このパラメータ化は、DSIフレームワークの複数のデータ同化(ESMDA)を備えたスムーズなアンサンブルを用いて、後続予測を可能にする。
様々な地質シナリオから得られた事前の地質学的実現を特徴とする現実的な3次元システムを考える。
履歴マッチングの定式化に現れる誤差共分散項を推定するために、局所グリッドリファインメント手順を導入する。
複数の合成真理モデルに対して, 広範囲な履歴マッチング結果が様々な量に対して提示される。
後圧および飽和場の実質的不確実性低減は, いずれの場合も達成される。
このフレームワークは、様々なエラー共分散仕様の後方予測を効率的に行う。
このような評価はモデルベースのアプローチで費用がかかるでしょう。
関連論文リスト
- Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage [0.0]
炭素貯蔵のための階層型データ同化フレームワークを開発した。
モンテカルロに基づく近似ベイズ計算を用いる。
3次元リカレントR-U-Net深層学習サロゲートモデルを用いて計算コストを削減する。
論文 参考訳（メタデータ） (2024-10-20T06:15:56Z) - Accelerated training of deep learning surrogate models for surface displacement and flow, with application to MCMC-based history matching of CO2 storage operations [0.0]
本研究では,CO2飽和度,圧力,表面変位を予測し,炭素貯蔵操作の履歴マッチングに用いるための新しいサロゲートモデリングフレームワークを提案する。
ここでのトレーニングには、多数の安価なフローオンリーのシミュレーションと、結合された実行回数のはるかに少ない組み合わせが含まれる。
論文 参考訳（メタデータ） (2024-08-20T10:31:52Z) - Latent diffusion models for parameterization and data assimilation of facies-based geomodels [0.0]
拡散モデルは、ランダムノイズを特徴とする入力場から新しい地質学的実現を生成するために訓練される。
遅延拡散モデルは、ジオモデリングソフトウェアからのサンプルと視覚的に整合した実現を提供する。
論文 参考訳（メタデータ） (2024-06-21T01:32:03Z) - Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。
本手法はGAN内の階層層を系統的に探索する。
さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
論文 参考訳（メタデータ） (2024-06-09T09:15:54Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Surrogate Model for Geological CO2 Storage and Its Use in Hierarchical
MCMC History Matching [0.0]
我々は、最近導入されたR-U-Netサロゲートモデルを拡張し、幅広い地質シナリオから引き出されたジオモデルの実現を取り扱う。
本研究では, 人工真理モデルにおける観測井の観測データを用いて, 地質的不確実性を大幅に低減することを示した。
論文 参考訳（メタデータ） (2023-08-11T18:29:28Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳（メタデータ） (2023-07-12T15:34:10Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳（メタデータ） (2020-05-08T21:32:42Z) - Data-Space Inversion Using a Recurrent Autoencoder for Time-Series
Parameterization [0.0]
データ空間インバージョン(DSI)におけるデータパラメータ化の新しい手法を開発し,評価する。
新たなパラメータ化では、次元削減のためにリカレントオートエンコーダ(RAE)と、フローレート時系列を表現するために長期メモリ(LSTM)ネットワークを使用する。
RAEに基づくパラメータ化はDSIにおいて明らかに有用であり、他の地下流れ問題にも適用できる可能性がある。
論文 参考訳（メタデータ） (2020-04-30T19:17:58Z)
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。