論文の概要: Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage

• arxiv url: http://arxiv.org/abs/2410.15302v1
• Date: Sun, 20 Oct 2024 06:15:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:15:41.747919
• Title: Likelihood-Free Inference and Hierarchical Data Assimilation for Geological Carbon Storage
• Title（参考訳）: 地質炭素貯蔵における自由推論と階層データ同化
• Authors: Wenchao Teng, Louis J. Durlofsky,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Data assimilation will be essential for the management and expansion of geological carbon storage operations. In traditional data assimilation approaches a fixed set of geological hyperparameters, such as mean and standard deviation of log-permeability, is often assumed. Such hyperparameters, however, may be highly uncertain in practical CO2 storage applications. In this study, we develop a hierarchical data assimilation framework for carbon storage that treats hyperparameters as uncertain variables characterized by hyperprior distributions. To deal with the computationally intractable likelihood function in hyperparameter estimation, we apply a likelihood-free (or simulation-based) inference algorithm, specifically sequential Monte Carlo-based approximate Bayesian computation (SMC-ABC), to draw independent posterior samples of hyperparameters given dynamic monitoring-well data. In the second step we use an ensemble smoother with multiple data assimilation (ESMDA) procedure to provide posterior realizations of grid-block permeability. To reduce computational costs, a 3D recurrent R-U-Net deep-learning surrogate model is applied for forward function evaluations. The accuracy of the surrogate model is established through comparisons to high-fidelity simulation results. A rejection sampling (RS) procedure for data assimilation is applied to provide reference posterior results. Detailed data assimilation results from SMC-ABC-ESMDA are compared to those from the reference RS method. These include marginal posterior distributions of hyperparameters, pairwise posterior samples, and history matching results for pressure and saturation at the monitoring location. Close agreement is achieved with 'converged' RS results, for two synthetic true models, in all quantities considered. Importantly, the SMC-ABC-ESMDA procedure provides speedup of 1-2 orders of magnitude relative to RS for the two cases.
• Abstract（参考訳）: データ同化は、地質的な炭素貯蔵事業の管理と拡大に不可欠である。 従来のデータ同化法では、平均や対数透過性の標準偏差といった固定された地質学的ハイパーパラメータがしばしば仮定される。 しかし、このようなハイパーパラメータは、実際のCO2貯蔵アプリケーションでは非常に不確実である。 本研究では,過度パラメータを高次分布に特徴付けられる不確実な変数として扱う,炭素貯蔵用階層データ同化フレームワークを開発した。 特にモンテカルロをベースとした逐次的ベイズ近似計算 (SMC-ABC) を用いて, 動的監視井データから高パラメータの独立部分サンプルを抽出する。 2番目のステップでは、複数のデータ同化(ESMDA)プロシージャを用いたスムーズなアンサンブルを用いて、グリッドブロック透過性の後方実現を行う。 計算コストを削減するために,3次元連続R-U-Netディープラーニングサロゲートモデルを適用し,フォワード関数の評価を行った。 代理モデルの精度は高忠実度シミュレーション結果との比較により確立される。 データ同化のための拒絶サンプリング(RS)手順を適用して参照後処理を行う。 SMC-ABC-ESMDAの詳細なデータ同化結果を基準RS法と比較した。 これらには、ハイパーパラメーターの限界後部分布、ペアワイズ後部サンプル、モニタリング位置での圧力と飽和の履歴マッチング結果が含まれる。 2つの合成真モデルに対して、すべての量を考慮した「収束」RSの結果と密な一致が達成される。 重要なことに、SMC-ABC-ESMDA法は2つのケースでRSに対して1-2桁のスピードアップを提供する。

関連論文リスト

• 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)
• AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage [0.0]
  本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。 また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。 以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
  論文  参考訳（メタデータ） (2024-02-09T00:24:46Z)
• 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)
• History Matching for Geological Carbon Storage using Data-Space Inversion with Spatio-Temporal Data Parameterization [0.0]
  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。
  論文  参考訳（メタデータ） (2023-10-05T00:50:06Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
  カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。 そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
  論文  参考訳（メタデータ） (2021-08-31T19:22:23Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• 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)
• Dual Stochastic Natural Gradient Descent and convergence of interior half-space gradient approximations [0.0]
  多項ロジスティック回帰(MLR)は統計学や機械学習で広く使われている。 勾配降下(SGD)は、ビッグデータシナリオにおけるMLRモデルのパラメータを決定する最も一般的な手法である。
  論文  参考訳（メタデータ） (2020-01-19T00:53:49Z)

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。