論文の概要: Machine learning for sustainable geoenergy: uncertainty, physics and decision-ready inference

• arxiv url: http://arxiv.org/abs/2603.14907v1
• Date: Mon, 16 Mar 2026 07:08:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.122584
• Title: Machine learning for sustainable geoenergy: uncertainty, physics and decision-ready inference
• Title（参考訳）: 持続可能なジオエネルギーのための機械学習--不確実性、物理、意思決定対応推論
• Authors: Hannah P. Menke, Ahmed H. Elsheikh, Lingli Wei, Nanzhe Wang, Andreas Busch,
• Abstract要約: ジオエネルギのプロジェクトは、オペレーション、モニタリング、スチュワードシップへのスクリーニングと評価から、石油スタイルのファンネルに追随する傾向にある。 このファンネルの向こう側では、制限された不均一な観測は、リスクバウンドな運用選択にされなければならない。 これらの選択は本質的に多目的であり、封じ込め、圧力フットプリント、誘発地震性、エネルギー/水の強度、長期スチュワードシップと性能のバランスをとる。
• 参考スコア（独自算出の注目度）: 0.39146761527401425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geoenergy projects (CO2 storage, geothermal, subsurface H2 generation/storage, critical minerals from subsurface fluids, or nuclear waste disposal) increasingly follow a petroleum-style funnel from screening and appraisal to operations, monitoring, and stewardship. Across this funnel, limited and heterogeneous observations must be turned into risk-bounded operational choices under strong physical and geological constraints - choices that control deployment rate, cost of capital, and the credibility of climate-mitigation claims. These choices are inherently multi-objective, balancing performance against containment, pressure footprint, induced seismicity, energy/water intensity, and long-term stewardship. We argue that progress is limited by four recurring bottlenecks: (i) scarce, biased labels and few field performance outcomes; (ii) uncertainty treated as an afterthought rather than the deliverable; (iii) weak scale-bridging from pore to basin (including coupled chemical-flow-geomechanics); and (iv) insufficient quality assurance (QA), auditability, and governance for regulator-facing deployment. We outline machine learning (ML) approaches that match these realities (hybrid physics-ML, probabilistic uncertainty quantification (UQ), structure-aware representations, and multi-fidelity/continual learning) and connect them to four anchor applications: imaging-to-process digital twins, multiphase flow and near-well conformance, monitoring and inverse problems (monitoring, measurement, and verification (MMV), including deformation and microseismicity), and basin-scale portfolio management. We close with a pragmatic agenda for benchmarks, validation, reporting standards, and policy support needed for reproducible and defensible ML in sustainable geoenergy.
• Abstract（参考訳）: ジオエネルギープロジェクト(CO2貯蔵、地熱、地下H2生成/貯蔵、地下流体からの臨界ミネラル、核廃棄物処理)は、運用、監視、管理から石油スタイルのファンネルに追随する傾向にある。 このファンネル全体にわたって、限定的で異質な観測は、強い物理的および地質的な制約の下で、配置率、資本コスト、気候緩和の主張の信頼性を制御するような、リスクバウンドな運用選択に変換されなければならない。 これらの選択は本質的に多目的であり、封じ込め、圧力フットプリント、誘発地震性、エネルギー/水の強度、長期スチュワードシップと性能のバランスをとる。 進捗は4つの繰り返し発生するボトルネックによって制限されている、と私たちは主張する。 (i)不足、偏りのあるラベル及びフィールドパフォーマンスの成果の少ないもの 二 納品物というよりは後見として扱われる不確実性 三 細孔から盆地まで(化学・流れの複合力学を含む。) (4)品質保証の不足(QA)、監査可能性、規制対象のデプロイメントのためのガバナンス。 これらの現実性(ハイブリッド物理ML、確率的不確実性定量化(UQ)、構造認識表現、多要素/連続学習)にマッチする機械学習(ML)アプローチを概説し、それらを4つのアンカーアプリケーションに接続する。 持続可能なジオエネルギーにおいて、再現可能かつ防御可能なMLに必要なベンチマーク、検証、報告基準、およびポリシーサポートに関する実践的な議題を締結する。

関連論文リスト

• Rediscovering Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning [55.59724323303857]
  本稿では,3つのコンポーネントによる探索と利用のバランスをとるフレームワークを提案する。 複数の数学的推論ベンチマークの実験は、AERが一貫してベースラインを上回り、推論精度と探索能力の両方を改善していることを示している。
  論文  参考訳（メタデータ） (2025-10-13T03:10:26Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Deep reinforcement learning driven inspection and maintenance planning under incomplete information and constraints [0.0]
  検査・保守方針の決定は、複雑な最適化問題を構成する。 本研究は,制約付き部分観測可能決定プロセス(POMDP)と多エージェント深層強化学習(DRL)の協調フレームワーク内で,これらの課題に対処するものである。 提案手法は, 十分に確立された政策ベースラインを上回り, 検査・介入行動の適正な処方の促進を図っている。
  論文  参考訳（メタデータ） (2020-07-02T20:44:07Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。