論文の概要: Machine learning enhanced data assimilation framework for multiscale carbonate rock characterization

• arxiv url: http://arxiv.org/abs/2602.06989v1
• Date: Tue, 27 Jan 2026 23:45:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.684057
• Title: Machine learning enhanced data assimilation framework for multiscale carbonate rock characterization
• Title（参考訳）: マルチスケール炭酸塩岩キャラクタリゼーションのための機械学習強化データ同化フレームワーク
• Authors: Zhenkai Bo, Ahmed H. Elsheikh, Hannah P. Menke, Julien Maes, Sebastian Geiger, Muhammad Z. Kashim, Zainol A. A. Bakar, Kamaljit Singh,
• Abstract要約: 炭酸塩は 地下の炭素貯蔵、 石油生産、 地下の水素貯蔵に かなりの能力を与えます 数値シミュレーションと併用したX線CTによる炭酸塩岩の多相流動挙動の解明が一般的である。 本稿では, 実験的な排水透過率測定を利用した機械学習によるデータ同化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）: 0.3372751145910977
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Carbonate reservoirs offer significant capacity for subsurface carbon storage, oil production, and underground hydrogen storage. X-ray computed tomography (X-ray CT) coupled with numerical simulations is commonly used to investigate the multiphase flow behaviors in carbonate rocks. Carbonates exhibit pore size distribution across scales, hindering the comprehensive investigation with conventional X-ray CT images. Imaging samples at both macro and micro-scales (multi-scale imaging) proved to be a viable option in this context. However, multi-scale imaging faces two key limitations: the trade-off between field of view and voxel size necessitates resource-intensive imaging, while multi-scale multi-physics numerical simulations on resulting digital models incur prohibitive computational costs. To address these challenges, we propose a machine learning-enhanced data assimilation framework that leverages experimental drainage relative permeability measurements to achieve efficient characterization of micro-scale structures, delivering a data-driven solution toward a high-fidelity multiscale digital rock modeling. We train a dense neural network (DNN) as a proxy to a multi-scale pore network simulator and couple it with an ensemble smoother with multiple data assimilation (ESMDA) algorithm. DNN-ESMDA framework simultaneously infers the CO2-brine drainage relative permeability of microporosity phases with associated uncertainty estimation, revealing the relative importance of each rock phase and guiding future characterization. Our DNN-ESMDA framework achieves a computational speedup, reducing inference time from thousands of hours to seconds compared with the usage of conventional multiscale numerical simulation. Given this computational efficiency and applicability, the machine learning-enhanced ESMDA framework presents a generalizable approach for characterizing multiscale carbonate rocks.
• Abstract（参考訳）: 炭酸塩貯水池は地下の炭素貯蔵、石油生産、地下の水素貯蔵にかなりの容量を提供している。 数値シミュレーションと併用したX線CTによる炭酸塩岩の多相流動挙動の解明が一般的である。 炭酸塩はスケールにわたって孔径分布を示しており、従来のX線CT画像による包括的調査を妨げている。 マクロスケールとマイクロスケールの両方のイメージングサンプル(マルチスケールイメージング)は、この文脈で実行可能な選択肢であることが判明した。 しかし、マルチスケールイメージングは、視野とボクセルサイズの間のトレードオフがリソース集約的なイメージングを必要とするのに対し、マルチスケールのマルチ物理シミュレーションは、結果として生じるデジタルモデルが不当な計算コストを発生させるという2つの大きな限界に直面している。 これらの課題に対処するために、実験的な排水相対透過率測定を利用して、マイクロスケール構造の効率的なキャラクタリゼーションを実現し、高忠実度マルチスケールデジタルロックモデリングに向けたデータ駆動ソリューションを提供する機械学習強化データ同化フレームワークを提案する。 マルチスケールの細孔ネットワークシミュレータのプロキシとして高密度ニューラルネットワーク(DNN)をトレーニングし、複数のデータ同化(ESMDA)アルゴリズムでよりスムーズなアンサンブルと組み合わせる。 DNN-ESMDA フレームワークは,微小孔率相のCO2-ブライン排水と関連する不確実性評価を同時に推算し,各岩石相の相対的重要性を明らかにし,今後のキャラクタリゼーションを導く。 我々のDNN-ESMDAフレームワークは,従来のマルチスケール数値シミュレーションと比較して,数千時間から秒間の推論時間を削減し,計算速度の向上を実現している。 この計算効率と適用性から、機械学習に強化されたESMDAフレームワークは、マルチスケールの炭酸塩岩を特徴づけるための一般化可能なアプローチを示す。

関連論文リスト

• CNN-powered micro- to macro-scale flow modeling in deformable porous media [0.0]
  本研究は, 変形性多孔質媒質中のマクロ内在透過性テンソルを, 実マイクロジオメトリーのマイクロCT画像の限られたセットを用いて予測する新しい手法を提案する。 この研究の新規性は、変形および異方性流れ条件下での細孔流体の挙動を予測するために畳み込みニューラルネットワーク(CNN)を活用することである。
  論文  参考訳（メタデータ） (2025-01-11T07:36:41Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• 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)
• A comparative study of paired versus unpaired deep learning methods for physically enhancing digital rock image resolution [0.0]
  我々は、ペアデータとペアデータの両方を用いて、最先端の2つのSR深層学習技術と、類似した地上真実データとを厳密に比較した。 アンペア化GANアプローチは、ペア化CNN法と同じ精度で、トレーニング時間とデータセット要求に匹敵する精度で、超解像を再構築することができる。 これにより、未ペア深層学習を用いたマイクロCT画像強調のための新しい応用が実現される。
  論文  参考訳（メタデータ） (2021-12-16T05:50:25Z)
• Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling [0.0]
  本研究では3次元拡張深部超解像(EDSR)畳み込みニューラルネットワークを開発し,大規模空間スケールで高分解能データを生成する。 我々は,テキスト解析,セグメンテーション動作,多相流シミュレーション(PNM)を用いてネットワークを検証した。 EDSR生成モデルは、不均一性の存在下での実験挙動を予測するための基礎LRモデルよりも精度が高い。
  論文  参考訳（メタデータ） (2021-11-01T21:49:22Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Detecting micro fractures with X-ray computed tomography [4.855026133182103]
  XRCTを用いたカララ大理石のフラクチャーネットワークの可視化に成功したデータ集合について述べる。 従来の3手法と機械学習に基づく2手法を評価した。 2次元U-netモデルの出力は、機械学習に基づくセグメンテーション手法の1つである。
  論文  参考訳（メタデータ） (2021-03-23T20:20:24Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。