論文の概要: CarbonNet: How Computer Vision Plays a Role in Climate Change?
Application: Learning Geomechanics from Subsurface Geometry of CCS to
Mitigate Global Warming
- arxiv url: http://arxiv.org/abs/2403.06025v2
- Date: Tue, 12 Mar 2024 17:35:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 11:33:06.513819
- Title: CarbonNet: How Computer Vision Plays a Role in Climate Change?
Application: Learning Geomechanics from Subsurface Geometry of CCS to
Mitigate Global Warming
- Title(参考訳): CarbonNet: コンピュータビジョンは気候変動にどのように貢献するか?
CCSの地下構造からジオメカニクスを学習して地球温暖化を緩和する応用
- Authors: Wei Chen, Yunan Li and Yuan Tian
- Abstract要約: 炭素捕獲・隔離のための地下地形画像から地表面の変位を予測するためのコンピュータビジョンを用いた新しいアプローチを提案する。
地下地形画像から直接モデルを訓練することで,これらの課題に対処する。
本研究の目的は,炭素注入による地表面変位の応答を理解し,訓練されたモデルを用いてCCSプロジェクトの意思決定を通知することである。
- 参考スコア(独自算出の注目度): 11.710343386184642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a new approach using computer vision to predict the land surface
displacement from subsurface geometry images for Carbon Capture and
Sequestration (CCS). CCS has been proved to be a key component for a carbon
neutral society. However, scientists see there are challenges along the way
including the high computational cost due to the large model scale and
limitations to generalize a pre-trained model with complex physics. We tackle
those challenges by training models directly from the subsurface geometry
images. The goal is to understand the respons of land surface displacement due
to carbon injection and utilize our trained models to inform decision making in
CCS projects.
We implement multiple models (CNN, ResNet, and ResNetUNet) for static
mechanics problem, which is a image prediction problem. Next, we use the LSTM
and transformer for transient mechanics scenario, which is a video prediction
problem. It shows ResNetUNet outperforms the others thanks to its architecture
in static mechanics problem, and LSTM shows comparable performance to
transformer in transient problem. This report proceeds by outlining our dataset
in detail followed by model descriptions in method section. Result and
discussion state the key learning, observations, and conclusion with future
work rounds out the paper.
- Abstract(参考訳): 本稿では,炭素捕獲・隔離のための地下地形画像から地表面の変位を予測するために,コンピュータビジョンを用いた新しいアプローチを提案する。
CCSは炭素中立社会の重要な構成要素であることが証明されている。
しかし、科学者は、大きなモデルスケールと複雑な物理を持つ事前学習モデルの一般化に制限があるため、計算コストが高いという課題があると考えている。
地下地形画像から直接モデルを訓練することで,これらの課題に対処する。
カーボンインジェクションによる地表面変位の応答を把握し,ccsプロジェクトにおける意思決定にトレーニングしたモデルを活用することが目的である。
我々は,画像予測問題である静的力学問題に対して,複数のモデル(CNN,ResNet,ResNetUNet)を実装した。
次に、ビデオ予測問題である過渡的力学シナリオにLSTMとトランスフォーマーを用いる。
ResNetUNetは静的力学問題におけるアーキテクチャにより他より優れており、LSTMは過渡問題におけるトランスフォーマーに匹敵する性能を示している。
このレポートでは、データセットを詳細に概説し、続いてモデル記述をメソッドセクションにまとめます。
結果と議論では、将来の作業で重要な学習、観察、結論が論文にまとめられている。
関連論文リスト
- How Physics and Background Attributes Impact Video Transformers in Robotic Manipulation: A Case Study on Planar Pushing [8.435401907462245]
物理特性(色,摩擦係数,形状)と背景特性が映像変換器の性能に与える影響について検討した。
提案するCloudGripper-Push-1Kは,大規模なビジョンベースロボットのプッシュデータセットである。
また,ビデオ・オクルージョン・トランスフォーマ (VOT) を提案する。
論文 参考訳(メタデータ) (2023-10-03T13:35:49Z) - Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。
ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。
本稿では,物理統合復元ネットワーク(PiRN)を提案する。
論文 参考訳(メタデータ) (2023-07-20T05:49:21Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial
Application Case on Autonomous Disassembly [55.41644538483948]
我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。
合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。
この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
論文 参考訳(メタデータ) (2023-01-12T14:00:37Z) - Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。
SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。
SFSCは評価データセット上で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-06-16T16:46:32Z) - Climate-Invariant Machine Learning [0.8831201550856289]
現在の気候モデルは、モデルグリッドサイズよりも小さなスケールで発生するプロセスの表現を必要とする。
最近の機械学習(ML)アルゴリズムは、そのようなプロセス表現を改善することを約束するが、訓練されていない気候体制に悪影響を及ぼす傾向がある。
我々は、気候プロセスの知識をMLアルゴリズムに取り入れた「気候不変」MLと呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-12-14T07:02:57Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2021-10-02T01:21:38Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳(メタデータ) (2021-08-09T18:16:08Z) - SkeletonNet: A Topology-Preserving Solution for Learning Mesh
Reconstruction of Object Surfaces from RGB Images [85.66560542483286]
本稿では,RGB画像から3次元物体表面再構成を学習する上での課題に焦点を当てる。
我々は,SkeGCNNとSkeDISNの2つのモデルを提案する。
提案するSkeletonNetの有効性を検証するための徹底的な実験を行った。
論文 参考訳(メタデータ) (2020-08-13T07:59:25Z) - When to Use Convolutional Neural Networks for Inverse Problems [40.60063929073102]
本稿では,畳み込みニューラルネットワークを,畳み込みスパース符号問題に対する近似解とみなすことができることを示す。
ある種の逆問題に対して、CNN近似は性能の低下につながると論じる。
具体的には、JPEGアーチファクトの低減と非剛性軌道再構成をCNNの逆問題として同定する。
論文 参考訳(メタデータ) (2020-03-30T21:08:14Z)
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。