論文の概要: GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction

• arxiv url: http://arxiv.org/abs/2410.20118v1
• Date: Sat, 26 Oct 2024 08:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:21:52.080065
• Title: GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction
• Title（参考訳）: GeoFUSE:海水侵入予測と不確実性低減のための高効率サロゲートモデル
• Authors: Su Jiang, Chuyang Liu, Dipankar Dwivedi,
• Abstract要約: 海岸帯水層への海水侵入は地下水資源に重大な脅威をもたらす。 ディープラーニングに基づく新しいサロゲートフレームワークGeoFUSEを開発した。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。
• 参考スコア（独自算出の注目度）: 0.10923877073891446
• License:
• Abstract: Seawater intrusion into coastal aquifers poses a significant threat to groundwater resources, especially with rising sea levels due to climate change. Accurate modeling and uncertainty quantification of this process are crucial but are often hindered by the high computational costs of traditional numerical simulations. In this work, we develop GeoFUSE, a novel deep-learning-based surrogate framework that integrates the U-Net Fourier Neural Operator (U-FNO) with Principal Component Analysis (PCA) and Ensemble Smoother with Multiple Data Assimilation (ESMDA). GeoFUSE enables fast and efficient simulation of seawater intrusion while significantly reducing uncertainty in model predictions. We apply GeoFUSE to a 2D cross-section of the Beaver Creek tidal stream-floodplain system in Washington State. Using 1,500 geological realizations, we train the U-FNO surrogate model to approximate salinity distribution and accumulation. The U-FNO model successfully reduces the computational time from hours (using PFLOTRAN simulations) to seconds, achieving a speedup of approximately 360,000 times while maintaining high accuracy. By integrating measurement data from monitoring wells, the framework significantly reduces geological uncertainty and improves the predictive accuracy of the salinity distribution over a 20-year period. Our results demonstrate that GeoFUSE improves computational efficiency and provides a robust tool for real-time uncertainty quantification and decision making in groundwater management. Future work will extend GeoFUSE to 3D models and incorporate additional factors such as sea-level rise and extreme weather events, making it applicable to a broader range of coastal and subsurface flow systems.
• Abstract（参考訳）: 沿岸帯水層への海水の侵入は地下水資源、特に気候変動による海面上昇に重大な脅威をもたらす。 このプロセスの正確なモデリングと不確かさの定量化は重要であるが、従来の数値シミュレーションの計算コストが高いため、しばしば妨げられる。 本研究では,U-Net Fourier Neural Operator (U-FNO) を主成分分析 (PCA) と Ensemble Smoother with Multiple Data Assimilation (ESMDA) に統合した新しいディープラーニングベースのサロゲートフレームワークであるGeoFUSEを開発する。 GeoFUSEは、モデル予測の不確実性を著しく低減しつつ、海水侵入の高速かつ効率的なシミュレーションを可能にする。 ワシントン州のビーバークリーク潮流-河床平原系の2次元断面にGeoFUSEを適用した。 1500の地質学的実現法を用いて,塩分濃度分布と蓄積を近似するためにU-FNO代理モデルを訓練する。 U-FNOモデルは、計算時間を(PFLOTRANシミュレーションを用いて)数時間から数秒に短縮し、精度を保ちながら約360,000倍のスピードアップを達成する。 モニタリング井戸からの測定データを統合することにより,地質的不確実性を著しく低減し,塩分濃度分布の予測精度を20年にわたって向上させる。 その結果,GeoFUSEは計算効率を向上し,地下水管理におけるリアルタイム不確実性定量化と意思決定のための堅牢なツールを提供することがわかった。 今後、GeoFUSEを3Dモデルに拡張し、海面上昇や極端な気象イベントなどの追加要因を取り入れて、より広範囲の沿岸および地下の流れシステムに適用する予定である。

関連論文リスト

• Large-scale flood modeling and forecasting with FloodCast [22.09906304112966]
  高速で、安定し、正確で、解像度不変であり、幾何適応的な洪水モデリングと予測フレームワークを構築します。 このフレームワークは、マルチ衛星観測と流体力学モデリングの2つの主要なモジュールから構成されている。 流体力学モデリングモジュールでは、幾何適応型物理インフォームドニューラルソルバ(GeoPINS)が導入された。 大規模洪水モデルにおいて,GeoPINS を用いた長期時間系列と広域空間領域を扱うためのシーケンス・ツー・シーケンスのGeoPINS モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-18T20:18:32Z)
• Modeling groundwater levels in California's Central Valley by hierarchical Gaussian process and neural network regression [9.816891579613628]
  中央バレー帯水層の3次元岩相テクスチャモデルから学習し,地下水位をモデル化するための新しい機械学習手法を考案した。 本研究では,不規則な井戸データを持つ流域における帯水層応答に対する水文学的理解を補うためにモデル予測がどのように用いられるかを示す。 以上の結果から,2017年と2019年のカリフォルニアの湿潤年は,前回の干ばつによる地下水損失の補充にはほとんど効果がなかったことが示唆された。
  論文  参考訳（メタデータ） (2023-10-23T04:21:26Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Intelligent model for offshore China sea fog forecasting [0.7503129292751938]
  本研究は, 数値気象予報モデルに埋もれた深海霧予測手法を開発することを目的とする。 本研究では,海霧発生の要因を解明するために,時間差相関解析手法を用いて鍵予測器を同定し,そのメカニズムを解明する。 提案手法の精度を検証するため,1年にわたる包括的データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-07-20T04:46:34Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• Artificial Intelligence Hybrid Deep Learning Model for Groundwater Level Prediction Using MLP-ADAM [0.0]
  本稿では,多層パーセプトロンを用いて地下水位をシミュレーションする。 この問題には適応モーメント推定アルゴリズムも用いられる。 その結果,ディープラーニングアルゴリズムは高精度な予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-07-29T10:11:45Z)
• TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall [21.399707529966474]
  本稿では,連続的畳み込み再帰層間の新しい2次元クロスアテンション機構を特徴とするエンコーダデコーダモデルであるTRU-NETを提案する。 降雨のゼロ・スクイド・%極端事象パターンを捉えるために,条件付き連続損失関数を用いた。 実験の結果,短期降水予測ではDLモデルよりもRMSEとMAEのスコアが低いことがわかった。
  論文  参考訳（メタデータ） (2020-08-20T17:27:59Z)

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。