論文の概要: Towards geological inference with process-based and deep generative modeling, part 1: training on fluvial deposits

• arxiv url: http://arxiv.org/abs/2510.14445v1
• Date: Thu, 16 Oct 2025 08:43:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.783991
• Title: Towards geological inference with process-based and deep generative modeling, part 1: training on fluvial deposits
• Title（参考訳）: プロセスベースおよび深部生成モデルによる地質学的推測に向けて(その1) フラビアル堆積物のトレーニング
• Authors: Guillaume Rongier, Luk Peeters,
• Abstract要約: 本研究では, プロセスベースモデルによりシミュレーションされたフラビラル沈着を再現するために, GAN(Generative Adversarial Network)をトレーニングできるかどうかを検討する。 深層学習コミュニティから大規模な2次元画像を生成する開発は, 直接, フラビアル堆積物の3次元画像に転送可能である。 重ね合わせの法則に敬意を表して, 重ね合わせ時間を用いてGANの性能をモニタリングし, 検証する方法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The distribution of resources in the subsurface is deeply linked to the variations of its physical properties. Generative modeling has long been used to predict those physical properties while quantifying the associated uncertainty. But current approaches struggle to properly reproduce geological structures, and fluvial deposits in particular, because of their continuity. This study explores whether a generative adversarial network (GAN) - a type of deep-learning algorithm for generative modeling - can be trained to reproduce fluvial deposits simulated by a process-based model - a more expensive model that mimics geological processes. An ablation study shows that developments from the deep-learning community to generate large 2D images are directly transferable to 3D images of fluvial deposits. Training remains stable, and the generated samples reproduce the non-stationarity and details of the deposits without mode collapse or pure memorization of the training data. Using a process-based model to generate those training data allows us to include valuable properties other than the usual physical properties. We show how the deposition time let us monitor and validate the performance of a GAN by checking that its samples honor the law of superposition. Our work joins a series of previous studies suggesting that GANs are more robust that given credit for, at least for training datasets targeting specific geological structures. Whether this robustness transfers to larger 3D images and multimodal datasets remains to be seen. Exploring how deep generative models can leverage geological principles like the law of superposition shows a lot of promise.
• Abstract（参考訳）: 地下の資源の分布は、その物理的性質の変化と深く関係している。 生成モデリングは、関連する不確実性を定量化しながら、これらの物理的特性を予測するために長い間使われてきた。 しかし、現在のアプローチは、その連続性のため、地質構造、特に河床堆積物を適切に再現するのに苦労している。 本研究では,GAN (Generative Adversarial Network) - 生成モデリングのための深層学習アルゴリズム - が,プロセスベースモデルでシミュレートされたフラビアル堆積物を再現できるかどうかについて検討する。 アブレーション研究では、深層学習コミュニティから大規模な2次元画像を生成するための開発が、フロービアル堆積物の3次元画像に直接転送可能であることが示されている。 トレーニングは安定しており、生成されたサンプルは、モード崩壊やトレーニングデータの純粋な記憶なしに、非定常性と堆積物の詳細を再現する。 これらのトレーニングデータを生成するためにプロセスベースのモデルを使用することで、通常の物理的特性以外の価値あるプロパティを含めることができます。 重ね合わせの法則に敬意を表して, 重ね合わせ時間を用いてGANの性能をモニタリングし, 検証する方法について述べる。 我々の研究は、GANが、少なくとも特定の地質構造をターゲットにしたデータセットのトレーニングにおいて、より堅牢であることを示唆する以前の一連の研究と組み合わさっている。 このロバスト性がより大きな3D画像やマルチモーダルデータセットに転送されるかどうかはまだわからない。 重ね合わせの法則のような地質学的原理をいかに深層生成モデルが活用できるかを探求することは、多くの可能性を秘めている。

関連論文リスト

• Synthetic Geology -- Structural Geology Meets Deep Learning [3.216132991084434]
  ボキセル化画像に応用した生成人工知能の技術に基づいて,ニューラルネットワークをトレーニングすることにより,地表の地質データを3次元の地下領域に拡張する手法を実証する。 地質活動のイオンを模倣した合成データ生成プロセスの設計により,地下深層学習の発展におけるこのデータギャップを埋める。 このような合成データに基づいてトレーニングされた基礎モデルは、以前は目に見えない表面地形と地質図から地下の3次元画像を生成することができる。
  論文  参考訳（メタデータ） (2025-06-11T20:42:28Z)
• Well2Flow: Reconstruction of reservoir states from sparse wells using score-based generative models [0.22499166814992438]
  本研究では,貯水池シミュレーションシナリオにおけるスコアベース生成モデルの利用について検討した。 塩水帯水層における空間的に多孔質で飽和度の高いフィールドの再構築に焦点が当てられ、2つの井戸でのスパース観測から推測される。 物理制約とウェルログガイダンスを生成モデルに組み込む新しい手法を導入し、再構成された地下状態の精度と物理的妥当性を著しく向上させる。
  論文  参考訳（メタデータ） (2025-04-07T20:12:19Z)
• A Phase Transition in Diffusion Models Reveals the Hierarchical Nature of Data [51.03144354630136]
  最近の進歩は、拡散モデルが高品質な画像を生成することを示している。 我々はこの現象を階層的なデータ生成モデルで研究する。 t$の後に作用する後方拡散過程は相転移によって制御される。
  論文  参考訳（メタデータ） (2024-02-26T19:52:33Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Learning Generative Models for Lumped Rainfall-Runoff Modeling [3.69758875412828]
  本研究は, 降雨流出時系列の合成に着目した, 降雨流出モデリングのための新しい生成モデル手法を提案する。 従来のプロセスベースラッピング水理モデルとは異なり,本手法では少数の潜伏変数を用いて流出過程を特徴づける。 本研究では,3000以上のグローバルキャッチメントのデータからニューラルネットワークを用いた生成モデルを訓練し,現在のディープラーニングモデルに匹敵する予測精度を達成した。
  論文  参考訳（メタデータ） (2023-09-18T16:07:41Z)
• Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
  我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。 物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。 本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
  論文  参考訳（メタデータ） (2023-04-25T15:53:45Z)
• Learning 3D Mineral Prospectivity from 3D Geological Models with Convolutional Neural Networks: Application to a Structure-controlled Hydrothermal Gold Deposit [4.647073295455922]
  本稿では、畳み込みニューラルネットワーク(CNN)を利用して、3次元地質モデルから3次元鉱物の分布を学習する新しい手法を提案する。 具体的には、入力を構造化すべきCNNを用いて非構造化の3次元地質モデルを探究するため、2次元CNNフレームワークを開発した。 これにより、予測モデルは鉱石形成過程を近似しながら、CNNを効果的かつ効率的に訓練することができる。
  論文  参考訳（メタデータ） (2021-09-02T07:34:10Z)
• Seismic Inverse Modeling Method based on Generative Adversarial Network [20.323205728116545]
  本稿では, 地質, ウェルログ, 地震データに整合したGANに基づく逆モデリング手法を提案する。 GANは、トレーニング画像の空間構造と抽象的特徴を抽出する最も有望な生成モデルアルゴリズムである。 その結果, インバージョンモデルは観測データに適合し, 高速発生の前提下での不確実性は低いことがわかった。
  論文  参考訳（メタデータ） (2021-06-08T09:14:39Z)

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。