論文の概要: BEACON: Bayesian Experimental design Acceleration with Conditional Normalizing flows $-$ a case study in optimal monitor well placement for CO$_2$ sequestration
- arxiv url: http://arxiv.org/abs/2404.00075v1
- Date: Thu, 28 Mar 2024 20:17:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-04 07:27:29.262875
- Title: BEACON: Bayesian Experimental design Acceleration with Conditional Normalizing flows $-$ a case study in optimal monitor well placement for CO$_2$ sequestration
- Title（参考訳）: BEACON: 条件付き正規化フローによるベイズ実験設計加速 : CO$_2$隔離のための最適監視井戸配置におけるケーススタディ
- Authors: Rafael Orozco, Abhinav Gahlot, Felix J. Herrmann,
- Abstract要約: CO$$ plumesは、漏洩、誘発地震、ライセンス境界の侵害などのリスクを防ぐために厳格な監視を必要とする。
これを解決するために、プロジェクトマネージャは、特定の場所でCO$とプレッシャーモニタリングを行うために、ボーアホール井戸を使用します。
提案手法は,プルーム不確実性推論のための生成ニューラルネットワークと,プルーム軌跡予測のための流体流解法を統合する。
- 参考スコア（独自算出の注目度）: 0.24578723416255752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: CO$_2$ sequestration is a crucial engineering solution for mitigating climate change. However, the uncertain nature of reservoir properties, necessitates rigorous monitoring of CO$_2$ plumes to prevent risks such as leakage, induced seismicity, or breaching licensed boundaries. To address this, project managers use borehole wells for direct CO$_2$ and pressure monitoring at specific locations. Given the high costs associated with drilling, it is crucial to strategically place a limited number of wells to ensure maximally effective monitoring within budgetary constraints. Our approach for selecting well locations integrates fluid-flow solvers for forecasting plume trajectories with generative neural networks for plume inference uncertainty. Our methodology is extensible to three-dimensional domains and is developed within a Bayesian framework for optimal experimental design, ensuring scalability and mathematical optimality. We use a realistic case study to verify these claims by demonstrating our method's application in a large scale domain and optimal performance as compared to baseline well placement.
- Abstract（参考訳）: CO$_2$隔離は気候変動を緩和するための重要なエンジニアリングソリューションである。
しかし, 貯留層特性の不確かさは, 漏洩, 誘発地震性, ライセンス境界違反などのリスクを防止するため, CO$2$プルームの厳密なモニタリングを必要とする。
これを解決するために、プロジェクトマネージャは、特定の場所でCO$2$と圧力モニタリングを行うために、ボーアホール井戸を使用する。
掘削に伴う高コストを考えると、予算的制約の中で最大限のモニタリングを確保するために、限られた数の井戸を戦略的に配置することが不可欠である。
井戸位置を選択するためのアプローチは,梅の軌跡を予測するための流体流解法と,梅の推論の不確かさを予測するための生成ニューラルネットワークを統合した。
提案手法は3次元領域に拡張可能であり,ベイジアン・フレームワークを用いて最適な実験設計を行い,拡張性と数学的最適性を確保する。
我々は,本手法の大規模領域での応用と,ベースラインウェルプレースメントと比較して最適性能を実証し,これらの主張を検証するために,現実的なケーススタディを用いた。
関連論文リスト
- Scalable Online Exploration via Coverability [45.66375686120087]
探索は、特に関数近似を必要とする高次元領域において、強化学習において大きな課題である。
従来の探索手法を一般化し,3つの基本デシラタをサポートする新しい目的である$L_Coverageを導入する。
$L_Coverageは、カバー可能性の低いMDPにおけるオンライン(リワードフリーまたは報酬駆動)強化学習のための、最初の計算効率のよいモデルベースおよびモデルフリーのアルゴリズムを可能にする。
論文 参考訳（メタデータ） (2024-03-11T10:14:06Z) - Probabilistic Bayesian optimal experimental design using conditional
normalizing flows [2.7689411149700685]
ベイズ最適実験設計(OED)は予算制約の下で最も有益な実験を行うことを目指している。
我々は,OED問題の解法を効率よく,スケーラブルで,実用的なアプリケーションに堅牢にするための,新しい共同最適化手法を提案する。
我々は,高次元(320$times 320)パラメータを高分解能,高次元(640$times 386)観測,および最も情報性の高い観測を選択するためのバイナリ設計を有する実用的MRI OED問題に対する性能提案手法を実証した。
論文 参考訳（メタデータ） (2024-02-28T13:59:20Z) - Learning Regions of Interest for Bayesian Optimization with Adaptive
Level-Set Estimation [84.0621253654014]
本稿では,高信頼領域を適応的にフィルタするBALLETというフレームワークを提案する。
理論的には、BALLETは探索空間を効率的に縮小することができ、標準BOよりも厳密な後悔を示すことができる。
論文 参考訳（メタデータ） (2023-07-25T09:45:47Z) - Data-driven control of COVID-19 in buildings: a reinforcement-learning
approach [1.2187048691454236]
新型コロナウイルス(COVID-19)のパンデミックにより、職場の閉鎖と閉鎖が始まり、総コストは16兆ドルを超えると推定されている。
本研究は, 建設環境における感染性病原体への被曝量を最小限に抑えるため, 最適室内気流設計のためのデータ駆動制御手法を提案する。
論文 参考訳（メタデータ） (2022-12-27T17:28:28Z) - Stochastic optimal well control in subsurface reservoirs using
reinforcement learning [0.0]
本稿では,パラメータの不確実性分布の最適制御を行うためのモデルフリー強化学習フレームワークのケーススタディを提案する。
原理的には、RLアルゴリズムは数値報酬信号の最大化のために最適な行動ポリシーを学習することができる。
提案手法は,2つの水面流動試験ケースに対して,2つの最先端RLアルゴリズム,PPO,A2Cを用いて数値計算を行った。
論文 参考訳（メタデータ） (2022-07-07T17:34:23Z) - On Reward-Free RL with Kernel and Neural Function Approximations:
Single-Agent MDP and Markov Game [140.19656665344917]
エージェントが事前に特定された報酬関数を使わずに環境を徹底的に探索することを目的とした報酬のないRL問題について検討する。
関数近似の文脈でこの問題に取り組み、強力な関数近似器を活用する。
我々は、カーネルとニューラルファンクション近似器を用いた、証明可能な効率の良い報酬なしRLアルゴリズムを確立した。
論文 参考訳（メタデータ） (2021-10-19T07:26:33Z) - Regret-Optimal Filtering [57.51328978669528]
後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。
我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。
3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
論文 参考訳（メタデータ） (2021-01-25T19:06:52Z) - Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。
MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
論文 参考訳（メタデータ） (2020-10-12T17:41:44Z) - A Variational Auto-Encoder for Reservoir Monitoring [0.0]
二酸化炭素キャプチャー・アンド・ストレージ(CCS)は、人為的CO$の排出を緩和する重要な戦略である。
本稿では,AZMI(Above Zone Monitoring Interval)井の圧力データに基づいて,圧力場を再構築し,記憶層のフラックスを分類する深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-23T12:33:09Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z) - Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。
本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-01T17:47:03Z)
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。