論文の概要: FFINO: Factorized Fourier Improved Neural Operator for Modeling Multiphase Flow in Underground Hydrogen Storage
- arxiv url: http://arxiv.org/abs/2506.17344v1
- Date: Thu, 19 Jun 2025 14:50:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.365433
- Title: FFINO: Factorized Fourier Improved Neural Operator for Modeling Multiphase Flow in Underground Hydrogen Storage
- Title（参考訳）: FFINO-Factized Fourier Improved Neural Operator for Modeling Multiphase Flow in Underground hydrogen Storage (特集:バイオサイバネティックスとバイオサイバネティックス)
- Authors: Tao Wang, Hewei Tang,
- Abstract要約: 本稿では,多相流問題に対する高速サロゲートモデルとして,新しいニューラル演算子アーキテクチャFFINOを提案する。
また、FFINOモデルと最先端のFMIONetモデルを比較する。
我々の新しいFFINOモデルは、トレーニング可能なパラメータが38.1%、トレーニング時間が17.6%、FMIONetに比べてメモリが12%少ない。
- 参考スコア（独自算出の注目度）: 3.821019887657395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underground hydrogen storage (UHS) is a promising energy storage option for the current energy transition to a low-carbon economy. Fast modeling of hydrogen plume migration and pressure field evolution is crucial for UHS field management. In this study, we propose a new neural operator architecture, FFINO, as a fast surrogate model for multiphase flow problems in UHS. We parameterize experimental relative permeability curves reported in the literature and include them as key uncertainty parameters in the FFINO model. We also compare the FFINO model with the state-of-the-art FMIONet model through a comprehensive combination of metrics. Our new FFINO model has 38.1% fewer trainable parameters, 17.6% less training time, and 12% less GPU memory cost compared to FMIONet. The FFINO model also achieves a 9.8% accuracy improvement in predicting hydrogen plume in focused areas, and 18% higher RMSE in predicting pressure buildup. The inference time of the trained FFINO model is 7850 times faster than a numerical simulator, which makes it a competent substitute for numerical simulations of UHS problems with superior time efficiency.
- Abstract（参考訳）: 地下水素貯蔵(UHS)は、現在の低炭素経済へのエネルギー移行に期待できるエネルギー貯蔵オプションである。
水素配管の移動と圧力場進化の高速モデリングは、UHS現場管理に不可欠である。
本研究では,UHSにおける多相流問題に対する高速サロゲートモデルとして,新しいニューラル演算子アーキテクチャFFINOを提案する。
文献で報告された実験的な相対透過性曲線をパラメータ化し,FFINOモデルにおいて重要な不確実性パラメータとして含む。
また、FFINOモデルと最先端のFMIONetモデルを比較する。
我々の新しいFFINOモデルはトレーニング可能なパラメータを38.1%削減し、17.6%のトレーニング時間と12%のGPUメモリコストをFMIONetと比較した。
FFINOモデルはまた、集束領域における水素配管の予測における9.8%の精度向上、圧力蓄積予測におけるRMSEの18%の精度向上を実現している。
訓練されたFFINOモデルの推定時間は数値シミュレータの7850倍であり、より優れた時間効率を持つUHS問題の数値シミュレーションの代替となる。
関連論文リスト
- TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。
本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。
当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
論文 参考訳（メタデータ） (2024-12-18T09:05:19Z) - Efficient Gravitational Wave Parameter Estimation via Knowledge Distillation: A ResNet1D-IAF Approach [2.4184866684341473]
本研究では,重力波解析における計算効率を高めるため,知識蒸留技術を用いた新しい手法を提案する。
我々はResNet1Dと逆自己回帰フロー(Inverse Autoregressive Flow, IAF)アーキテクチャを組み合わせたフレームワークを開発し、複雑な教師モデルからの知識をより軽い学生モデルに伝達する。
実験の結果,教師モデルの4.09と比較すると,学生モデルは最適構成(40,100,0.75)で3.70の検証損失を達成し,パラメータの数を43%削減した。
論文 参考訳（メタデータ） (2024-12-11T03:56:46Z) - Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。
異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文 参考訳（メタデータ） (2023-07-25T14:09:53Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:14:49Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Towards Practical Lipreading with Distilled and Efficient Models [57.41253104365274]
ニューラルネットワークの復活により、リリーディングは多くの進歩を目の当たりにした。
最近の研究は、最適なアーキテクチャを見つけるか、一般化を改善することで、パフォーマンスを改善するといった側面に重点を置いている。
現在の方法論と、実践的なシナリオにおける効果的なリップリーディングのデプロイ要件との間には、依然として大きなギャップがあります。
まず, LRW と LRW-1000 をそれぞれ 88.5% と 46.6% に比例して, 最先端の性能を高めることを提案する。
論文 参考訳（メタデータ） (2020-07-13T16:56:27Z) - Wind speed prediction using a hybrid model of the multi-layer perceptron
and whale optimization algorithm [1.032905038435237]
風力発電は再生可能エネルギー源であり、多くの経済的、環境的、社会的利益がある。
再生可能風力発電を向上・制御するためには,風速を高精度に予測するモデルを活用することが不可欠である。
論文 参考訳（メタデータ） (2020-02-14T19:29:33Z)
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。