論文の概要: Constrained Transformer-Based Porous Media Generation to Spatial Distribution of Rock Properties

• arxiv url: http://arxiv.org/abs/2410.21462v1
• Date: Mon, 28 Oct 2024 19:03:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:39:34.407931
• Title: Constrained Transformer-Based Porous Media Generation to Spatial Distribution of Rock Properties
• Title（参考訳）: 拘束型変圧器を用いた多孔質媒体の生成と岩石特性の空間分布
• Authors: Zihan Ren, Sanjay Srinivasan, Dustin Crandall,
• Abstract要約: 3次元マイクロ計算トモグラフィーデータの情報に基づく岩石画像の細孔スケールモデリングは複雑な地下過程の研究に不可欠である。 本稿では,ベクトル量子化変分オートエンコーダ(VQVAE)と空間上向きおよび任意の3次元多孔質メディア再構成のためのトランスフォーマモデルを組み合わせた2段階モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Pore-scale modeling of rock images based on information in 3D micro-computed tomography data is crucial for studying complex subsurface processes such as CO2 and brine multiphase flow during Geologic Carbon Storage (GCS). While deep learning models can generate 3D rock microstructures that match static rock properties, they have two key limitations: they don't account for the spatial distribution of rock properties that can have an important influence on the flow and transport characteristics (such as permeability and relative permeability) of the rock and they generate structures below the representative elementary volume (REV) scale for those transport properties. Addressing these issues is crucial for building a consistent workflow between pore-scale analysis and field-scale modeling. To address these challenges, we propose a two-stage modeling framework that combines a Vector Quantized Variational Autoencoder (VQVAE) and a transformer model for spatial upscaling and arbitrary-size 3D porous media reconstruction in an autoregressive manner. The VQVAE first compresses and quantizes sub-volume training images into low-dimensional tokens, while we train a transformer to spatially assemble these tokens into larger images following specific spatial order. By employing a multi-token generation strategy, our approach preserves both sub-volume integrity and spatial relationships among these sub-image patches. We demonstrate the effectiveness of our multi-token transformer generation approach and validate it using real data from a test well, showcasing its potential to generate models for the porous media at the well scale using only a spatial porosity model. The interpolated representative porous media that reflect field-scale geological properties accurately model transport properties, including permeability and multiphase flow relative permeability of CO2 and brine.
• Abstract（参考訳）: 3Dマイクロ計算トモグラフィーデータの情報に基づく岩石画像の細孔スケールモデリングは、地質炭素貯蔵(GCS)中のCO2やブライン多相流などの複雑な地下過程の研究に不可欠である。 深層学習モデルは静的な岩石の性質にマッチする3次元岩の微細構造を生成することができるが、これらは岩石の流動・輸送特性(透水性や相対透過性など)に重要な影響を与える岩石特性の空間分布を考慮せず、それらの輸送特性に代表される初等体積(REV)スケール以下の構造を生成する。 これらの問題に対処することは、細孔解析とフィールドスケールモデリングの間に一貫したワークフローを構築するために重要である。 これらの課題に対処するために,ベクトル量子化変分オートエンコーダ(VQVAE)と空間上向きおよび任意の3次元多孔質メディア再構成のためのトランスフォーマモデルを組み合わせた2段階モデリングフレームワークを提案する。 VQVAEは、まず、サブボリュームトレーニング画像を低次元のトークンに圧縮し、定量化する一方、トランスフォーマーは、これらのトークンを特定の空間秩序に従って大きな画像に空間的に組み立てるように訓練する。 マルチトークン生成戦略を用いることで,サブボリュームの整合性と,サブイメージの空間的関係を両立させる。 提案手法の有効性を実証し,テストからの実データを用いて検証し,空間ポロシティモデルのみを用いて多孔質媒体のモデルを生成する可能性を示す。 フィールドスケールの地質特性を反映した補間された代表多孔質媒質は,CO2およびブラインの透水性および多相流相対透過性を含む輸送特性を正確にモデル化する。

関連論文リスト

• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
  深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。 本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
  論文  参考訳（メタデータ） (2022-12-09T02:16:05Z)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)
• RockGPT: Reconstructing three-dimensional digital rocks from single two-dimensional slice from the perspective of video generation [0.0]
  我々は、ビデオ生成の観点から、単一の2Dスライスに基づいて3Dサンプルを合成する、RockGPTという新しいフレームワークを提案する。 多様な再構成を得るために、離散潜在符号は条件付きGPTを用いてモデル化される。 我々は5種類の岩石について2つの実験を行い、その結果、RockGPTが同じモデルで異なる種類の岩石を生産できることを実証した。
  論文  参考訳（メタデータ） (2021-08-05T00:12:43Z)
• Deep-learning-based coupled flow-geomechanics surrogate model for CO$_2$ sequestration [4.635171370680939]
  3次元リカレントr-u-netモデルは、深い畳み込みとリカレントニューラルネットワークを組み合わせて、飽和、圧力、表面変位場の空間分布と時間変化を捉える。 サーロゲートモデルは、貯留層内の3D CO2飽和と圧力場、および地球の表面の2D変位マップを予測するために訓練されています。
  論文  参考訳（メタデータ） (2021-05-04T07:34:15Z)
• Multi-Scale Neural Networks for to Fluid Flow in 3D Porous Media [0.0]
  我々は多孔質メディアシミュレーションデータから学習できる汎用的なマルチスケールディープラーニングモデルを開発した。 単一のグラフィックス処理ユニットで約1秒で大きな画像の評価が可能です。
  論文  参考訳（メタデータ） (2021-02-10T23:38:36Z)
• Characterizing the Latent Space of Molecular Deep Generative Models with Persistent Homology Metrics [21.95240820041655]
  変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。 本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-18T13:33:02Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。