論文の概要: Efficient machine-learning surrogates for large-scale geological carbon
and energy storage
- arxiv url: http://arxiv.org/abs/2310.07461v1
- Date: Wed, 11 Oct 2023 13:05:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 22:54:05.494002
- Title: Efficient machine-learning surrogates for large-scale geological carbon
and energy storage
- Title(参考訳): 大規模地質炭素・エネルギー貯蔵のための効率的な機械学習サーロゲート
- Authors: Teeratorn Kadeethum, Stephen J. Verzi, Hongkyu Yoon
- Abstract要約: 大規模貯水池モデルを効率的に管理するための機械学習(ML)モデルを提案する。
我々は、ドメイン分解とトポロジ埋め込みを用いて、ディープ・ニューラル・オペレーターモデルのトレーニングコストを削減する方法を開発した。
このアプローチは、訓練されていないデータであっても、モデルの領域内で正確な予測を可能にし、大規模な地質ストレージアプリケーションに対するML効率を向上させる。
- 参考スコア(独自算出の注目度): 0.276240219662896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geological carbon and energy storage are pivotal for achieving net-zero
carbon emissions and addressing climate change. However, they face
uncertainties due to geological factors and operational limitations, resulting
in possibilities of induced seismic events or groundwater contamination. To
overcome these challenges, we propose a specialized machine-learning (ML) model
to manage extensive reservoir models efficiently.
While ML approaches hold promise for geological carbon storage, the
substantial computational resources required for large-scale analysis are the
obstacle. We've developed a method to reduce the training cost for deep neural
operator models, using domain decomposition and a topology embedder to link
spatio-temporal points. This approach allows accurate predictions within the
model's domain, even for untrained data, enhancing ML efficiency for
large-scale geological storage applications.
- Abstract(参考訳): 地質学的炭素とエネルギー貯蔵は、炭素排出量をゼロにし、気候変動に対処する上で重要である。
しかし、地質学的要因や運用上の制約により不確実性に直面し、地震発生や地下水汚染の可能性がある。
これらの課題を克服するために,大規模貯水池モデルを効率的に管理するための機械学習(ML)モデルを提案する。
MLアプローチは地質的な炭素貯蔵を約束するが、大規模解析に必要な計算資源は大きな障害である。
我々は、ドメイン分解とトポロジ埋め込みを用いて、時空間点をリンクするディープニューラルネットワークモデルのトレーニングコストを削減する方法を開発した。
このアプローチは、訓練されていないデータであっても、モデルの領域内で正確な予測を可能にし、大規模な地質ストレージアプリケーションに対するML効率を向上させる。
関連論文リスト
- 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) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳(メタデータ) (2023-02-16T18:35:00Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳(メタデータ) (2022-11-03T17:13:48Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - Predicting the Geoeffectiveness of CMEs Using Machine Learning [0.0]
この研究は、ホワイトライトコロナグラフデータセットに基づいてトレーニングされたさまざまな機械学習手法の実験に焦点を当てている。
我々は、ロジスティック回帰、K-Nearest Neighbors、Support Vector Machines、フォワード人工ニューラルネットワーク、およびアンサンブルモデルを用いたバイナリ分類モデルを開発する。
このタスクの主な課題、すなわち、我々のデータセットにおけるジオエフェクトイベントの数と非エフェクトイベントの数の間の極端な不均衡について論じる。
論文 参考訳(メタデータ) (2022-06-23T03:56:22Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-10T17:04:04Z) - 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) - 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) - 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。