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

• arxiv url: http://arxiv.org/abs/2410.15302v2
• Date: Sat, 15 Feb 2025 03:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:02:44.235179
• 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: 我々は,CO2 ストレージアプリケーションのための階層型データ同化フレームワークを開発した。 我々は超パラメータ推定における計算的に難解な確率関数を扱う。 3次元逐次R-U-Net深層学習に基づく代理モデルを適用し,フォワード関数の評価を行った。
• 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 where measurements are scarce. 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 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-based surrogate model is applied for forward function evaluations. A rejection sampling (RS) procedure for data assimilation is applied to provide reference posterior results. Detailed posterior results from SMC-ABC-ESMDA are compared to those from the reference RS method. 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. A modified standalone ESMDA procedure is introduced for comparison purposes. For the same number of function evaluations, the hierarchical approach is shown to provide superior results for posterior hyperparameter distributions and monitoring well pressure predictions.
• 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、これらのハイパーパラメータは、測定が不十分な実際のCO2貯蔵アプリケーションでは、非常に不確実である可能性がある。 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。 ハイパーパラメータ推定における計算に難渋する確率関数に対処するために、確率自由(あるいはシミュレーションに基づく)推論アルゴリズム、特にモンテカルロをベースとした逐次近似ベイズ近似計算(SMC-ABC)を適用し、動的監視井戸データからハイパーパラメータの後方サンプルを描画する。 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深層学習に基づく代理モデルを適用し,前方関数の評価を行った。 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の詳細な後部成績を基準RS法と比較した。 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。 比較のために、修正されたスタンドアロンESMDAプロシージャが導入された。 同じ数の関数評価に対して、階層的なアプローチは、後方のハイパーパラメータ分布や井戸圧力予測の監視に優れた結果をもたらすことが示されている。

関連論文リスト

• 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)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• 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)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• 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)
• An adaptive Hessian approximated stochastic gradient MCMC method [12.93317525451798]
  後方からのサンプリング中に局所的幾何情報を組み込む適応型ヘッセン近似勾配MCMC法を提案する。 我々は,ネットワークの空間性を高めるために,等級に基づく重み付け法を採用する。
  論文  参考訳（メタデータ） (2020-10-03T16:22:15Z)
• Bayesian Sparse learning with preconditioned stochastic gradient MCMC and its applications [5.660384137948734]
  提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束する。 提案アルゴリズムは, 温和な条件下で, 制御可能なバイアスで正しい分布に収束可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T20:57:20Z)
• Approximate Inference for Fully Bayesian Gaussian Process Regression [11.47317712333228]
  ガウス過程モデルにおける学習は、平均と共分散関数のハイパーパラメータの適応を通じて起こる。 textitFully Bayesian Process Regression (GPR) と呼ぶGPの階層的仕様において、後方超過パラメータを推論する別の学習方法がある。 ベンチマークデータセットを用いてベイズGPRの予測性能を解析する。
  論文  参考訳（メタデータ） (2019-12-31T17:18:48Z)

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。