論文の概要: Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies
- arxiv url: http://arxiv.org/abs/2503.11031v2
- Date: Thu, 20 Mar 2025 15:44:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 12:14:47.116012
- Title: Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies
- Title（参考訳）: 現実的な地質学におけるCO_2$ストレージのためのフーリエニューラル演算子に基づくサロゲート
- Authors: Anirban Chandra, Marius Koch, Suraj Pawar, Aniruddha Panda, Kamyar Azizzadenesheli, Jeroen Snippe, Faruk O. Alpak, Farah Hariri, Clement Etienam, Pandu Devarakota, Anima Anandkumar, Detlef Hohl,
- Abstract要約: 我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
- 参考スコア（独自算出の注目度）: 57.23978190717341
- License:
- Abstract: This study aims to develop surrogate models for accelerating decision making processes associated with carbon capture and storage (CCS) technologies. Selection of sub-surface $CO_2$ storage sites often necessitates expensive and involved simulations of $CO_2$ flow fields. Here, we develop a Fourier Neural Operator (FNO) based model for real-time, high-resolution simulation of $CO_2$ plume migration. The model is trained on a comprehensive dataset generated from realistic subsurface parameters and offers $O(10^5)$ computational acceleration with minimal sacrifice in prediction accuracy. We also explore super-resolution experiments to improve the computational cost of training the FNO based models. Additionally, we present various strategies for improving the reliability of predictions from the model, which is crucial while assessing actual geological sites. This novel framework, based on NVIDIA's Modulus library, will allow rapid screening of sites for CCS. The discussed workflows and strategies can be applied to other energy solutions like geothermal reservoir modeling and hydrogen storage. Our work scales scientific machine learning models to realistic 3D systems that are more consistent with real-life subsurface aquifers/reservoirs, paving the way for next-generation digital twins for subsurface CCS applications.
- Abstract（参考訳）: 本研究の目的は,炭素捕獲貯蔵(CCS)技術に関連する意思決定プロセスの高速化を目的としたサロゲートモデルの開発である。
サブサイトである$CO_2$ストレージサイトの選択は、コストがかかることが多く、CO_2$フローフィールドのシミュレーションも必要である。
そこで我々は,CO_2$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのフーリエニューラル演算子 (FNO) モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練され、予測精度を最小限犠牲にして$O(10^5)の計算加速を提供する。
また,FNOモデルを用いた学習における計算コスト向上のための超解像実験についても検討する。
さらに,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提示する。
この新しいフレームワークはNVIDIAのModulusライブラリをベースにしており、CCSのサイトの迅速なスクリーニングを可能にする。
議論されたワークフローと戦略は地熱貯留層モデリングや水素貯蔵のような他のエネルギーソリューションに適用できる。
我々の研究は、科学的な機械学習モデルを現実的な3Dシステムにスケールし、実際の地下帯水層/貯留層とより整合し、地下CS応用のための次世代デジタル双生児への道を開く。
関連論文リスト
- Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Atmospheric Transport Modeling of CO$_2$ with Neural Networks [46.26819563674888]
大気中のCO$の分布を大気トレーサー輸送モデルで正確に記述することは、温室効果ガスモニタリングおよび検証支援システムに不可欠である。
大きな深層ニューラルネットワークは、大気の3Dモデリングを必要とする気象予報に革命を起こす可能性がある。
本研究では,気象予測の最先端として実証された4種類の深層ニューラルネットワークについて検討し,大気トレーサー輸送モデルの有用性について検討した。
論文 参考訳（メタデータ） (2024-08-20T17:33:20Z) - COPlanner: Plan to Roll Out Conservatively but to Explore Optimistically
for Model-Based RL [50.385005413810084]
ダイナスタイルのモデルベース強化学習には、ポリシー学習と実環境探索のためのサンプルを生成するモデルロールアウトという2つのフェーズが含まれる。
$textttCOPlanner$は、不正確な学習された動的モデル問題に対処するモデルベースのメソッドのための計画駆動フレームワークである。
論文 参考訳（メタデータ） (2023-10-11T06:10:07Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳（メタデータ） (2022-10-31T04:04:03Z) - 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) - A Deep Learning-Accelerated Data Assimilation and Forecasting Workflow
for Commercial-Scale Geologic Carbon Storage [2.464972164779053]
本稿では,多孔質中流挙動の物理的理解を深層学習技術で活用し,高速な履歴マッチング・貯留層応答予測ワークフローを開発することを提案する。
マルチウェルインジェクション下での動的圧力とCO2配管幅を予測するための代理モデルを開発した。
このワークフローは、メインストリームの個人ワークステーションで1時間以内で、履歴マッチングと不確実な定量化による貯蓄予測を完了させることができる。
論文 参考訳（メタデータ） (2021-05-09T16:38:29Z) - 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) - CCSNet: a deep learning modeling suite for CO$_2$ storage [0.0]
CCSNetは、数値シミュレータが通常提供するすべての出力を生成する一連のディープラーニングモデルで構成されている。
結果は従来の数値シミュレータよりも10$3$から10$4$の速度です。
論文 参考訳（メタデータ） (2021-04-05T06:56:25Z)
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。