論文の概要: Joint inversion of Time-Lapse Surface Gravity and Seismic Data for
Monitoring of 3D CO$_2$ Plumes via Deep Learning
- arxiv url: http://arxiv.org/abs/2310.04430v1
- Date: Sun, 24 Sep 2023 15:41:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 14:48:20.144348
- Title: Joint inversion of Time-Lapse Surface Gravity and Seismic Data for
Monitoring of 3D CO$_2$ Plumes via Deep Learning
- Title(参考訳): 深層学習による3次元CO$2$Plumesモニタリングのための時空表面重力と地震データの共同インバージョン
- Authors: Adrian Celaya, Mauricio Araya-Polo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.5439020425819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a fully 3D, deep learning-based approach for the joint inversion
of time-lapse surface gravity and seismic data for reconstructing subsurface
density and velocity models. The target application of this proposed inversion
approach is the prediction of subsurface CO2 plumes as a complementary tool for
monitoring CO2 sequestration deployments. Our joint inversion technique
outperforms deep learning-based gravity-only and seismic-only inversion models,
achieving improved density and velocity reconstruction, accurate segmentation,
and higher R-squared coefficients. These results indicate that deep
learning-based joint inversion is an effective tool for CO$_2$ storage
monitoring. Future work will focus on validating our approach with larger
datasets, simulations with other geological storage sites, and ultimately field
data.
- Abstract(参考訳): 本研究では,3次元深層学習に基づく時間経過表面重力と地震探査データの統合インバージョンによる地下密度・速度モデル再構成手法を提案する。
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。
我々の共同インバージョン技術は, 深層学習に基づく重力のみおよび地震のみのインバージョンモデルより優れ, 密度と速度の再構築, 正確なセグメンテーション, 高いR二乗係数を実現している。
これらの結果から,深層学習による関節逆転はCO$2$ストレージモニタリングに有効なツールであることが示唆された。
今後の研究は、より大きなデータセットによるアプローチの検証、他の地質ストレージサイトによるシミュレーション、そして最終的にはフィールドデータに集中する。
関連論文リスト
- Supervised Contrastive Learning based Dual-Mixer Model for Remaining
Useful Life Prediction [3.081898819471624]
Remaining Useful Life (RUL)予測は、現在の予測モーメントからデバイスの完全な障害までの残時間を正確に見積もることを目的としている。
従来のRUL予測手法における時間的特徴と空間的特徴の厳密結合の欠点を克服するため,Dual-Mixerモデルと呼ばれる空間的時間的特徴抽出器を提案する。
提案手法の有効性は,C-MAPSSデータセットに関する他の最新の研究結果との比較により検証した。
論文 参考訳(メタデータ) (2024-01-29T14:38:44Z) - Inversion of Time-Lapse Surface Gravity Data for Detection of 3D CO$_2$
Plumes via Deep Learning [24.70079638524539]
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。
論文 参考訳(メタデータ) (2022-09-06T23:24:20Z) - PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。
1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。
AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文 参考訳(メタデータ) (2022-04-21T23:01:21Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳(メタデータ) (2022-01-29T10:54:57Z) - Deep Learning-Accelerated 3D Carbon Storage Reservoir Pressure
Forecasting Based on Data Assimilation Using Surface Displacement from InSAR [0.0]
InSAR(Interferometric Synthetic-Aperture Radar)データをモニタリングデータとして使用して,貯水池圧力の上昇を予測することを提案する。
InSARから解釈された表面変位マップを同化するための深層学習促進ワークフローを開発する。
このワークフローは、パーソナルコンピュータ上で30分でデータ同化と貯水圧予測を完了させることができる。
論文 参考訳(メタデータ) (2022-01-21T05:17:08Z) - Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。
スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。
提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文 参考訳(メタデータ) (2021-05-25T02:17:56Z) - 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) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - 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) - Deep Active Surface Models [60.027353171412216]
アクティブサーフェスモデルは複雑な3次元表面をモデル化するのに有用な長い歴史を持っているが、ディープネットワークと組み合わせて使用されるのはアクティブ・コンターのみである。
グラフ畳み込みネットワークにシームレスに統合して、洗練された滑らかさを強制できるレイヤを導入します。
論文 参考訳(メタデータ) (2020-11-17T18:48:28Z)
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。