論文の概要: Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator

• arxiv url: http://arxiv.org/abs/2604.13291v1
• Date: Tue, 14 Apr 2026 20:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.294193
• Title: Physics-informed reservoir characterization from bulk and extreme pressure events with a differentiable simulator
• Title（参考訳）: 微分可能シミュレータを用いたバルクおよび極端圧力事象からの物理インフォームド貯水池のキャラクタリゼーション
• Authors: Harun Ur Rashid, Mingxin Li, Aleksandra Pachalieva, Georg Stadler, Daniel O'Malley,
• Abstract要約: 本稿では,ニューラルネットワークのトレーニングに直接,微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を提案する。 ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。 提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。
• 参考スコア（独自算出の注目度）: 42.95123707634075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate characterization of subsurface heterogeneity is challenging but essential for applications such as reservoir pressure management, geothermal energy extraction and CO$_2$, H$_2$, and wastewater injection operations. This challenge becomes especially acute in extreme pressure events, which are rarely observed but can strongly affect operational risk. Traditional history matching and inversion techniques rely on expensive full-physics simulations, making it infeasible to handle uncertainty and extreme events at scale. Purely data-driven models often struggle to maintain physics consistency when dealing with sparse observations, complex geology, and extreme events. To overcome these limitations, we introduce a physics-informed machine learning method that embeds a differentiable subsurface flow simulator directly into neural network training. The network infers heterogeneous permeability fields from limited pressure observations, while training minimizes both permeability and pressure losses through the simulator, enforcing physical consistency. Because the simulator is used only during training, inference remains fast once the model is learned. In an initial test, the proposed method reduces the pressure inference error by half compared with a purely data-driven approach. We then extend the test over eight distinct data scenarios, and in every case, our method produces significantly lower pressure inference errors than the purely data-driven model. We also evaluate our method on extreme events, which represent high-consequence data in the tail of the sample distribution. Similar to the bulk distribution, the physics-informed model maintains higher pressure inference accuracy in the extreme event regimes. Overall, the proposed method enables rapid, physics-consistent subsurface inversion for real-time reservoir characterization and risk-aware decision-making.
• Abstract（参考訳）: 地下不均一性の正確なキャラクタリゼーションは, 貯留層圧管理, 地熱エネルギー抽出, CO$_2$, H$_2$, 排水注入などの応用には不可欠である。 この課題は、極度に観測されることは少ないが、運用上のリスクに強く影響を及ぼす極度の圧力イベントにおいて、特に急激になる。 伝統的なヒストリーマッチングと逆転の手法は高価な完全物理シミュレーションに依存しており、不確実性と極端な事象を大規模に扱うことは不可能である。 純粋なデータ駆動モデルはしばしば、スパース観測、複雑な地質学、極端な出来事を扱う際に物理学の一貫性を維持するのに苦労する。 これらの制限を克服するために、ニューラルネットワークトレーニングに直接、微分可能な地下流れシミュレータを組み込む物理インフォームド機械学習手法を導入する。 ネットワークは、限られた圧力観測から不均一な透水性場を推定する一方、トレーニングはシミュレータを通しての透水性と減圧の両方を最小化し、物理的一貫性を強制する。 シミュレータはトレーニング時にのみ使用されるため、モデルが学習された後も推論は速いままである。 最初のテストでは、純粋にデータ駆動の手法と比較して、提案手法は圧力推定誤差を半減する。 次に、8つの異なるデータシナリオにまたがってテストを拡張し、すべてのケースにおいて、本手法は純粋にデータ駆動モデルよりもはるかに低い圧力推論誤差を生成する。 また,サンプル分布の尾部における高精度なデータを表す極端事象についても検討した。 バルク分布と同様に、物理インフォームドモデルは極端事象状態においてより高い圧力推測精度を維持する。 提案手法は, リアルタイム貯水池のキャラクタリゼーションとリスク認識による意思決定のために, 高速かつ物理一貫性のある地下インバージョンを実現する。

関連論文リスト

• Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
  本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。 物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。 その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T05:59:54Z)
• Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management [44.41703936689344]
  完全に微分可能な多相流シミュレータを結合した物理インフォームド機械学習ワークフローを提案する。 CNNは、不均一な透水性フィールドからの流体抽出速度を予測し、臨界貯水池の圧力制限を強制する。 本研究では, 3 万以上の完全物理多相流シミュレーションにより, 高精度な学習が可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-26T20:38:02Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• ELUQuant: Event-Level Uncertainty Quantification in Deep Inelastic Scattering [0.0]
  物理事象レベルでの詳細な不確実性定量化(UQ)のための流れを近似した物理インフォームドベイズニューラルネットワーク(BNN)を提案する。 Deep Inelastic Scattering (DIS) イベントに適用すると、我々のモデルはキネティック変数 $x$, $Q2$, $y$ を効果的に抽出する。 根底にある不確実性に関するこの詳細な説明は、特にイベントフィルタリングのようなタスクにおいて、意思決定には重要でないことを証明している。
  論文  参考訳（メタデータ） (2023-10-04T15:50:05Z)
• Using Conservation Laws to Infer Deep Learning Model Accuracy of Richtmyer-meshkov Instabilities [0.0]
  Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。 深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。 ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
  論文  参考訳（メタデータ） (2022-07-19T02:20:47Z)
• 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)
• Short- and long-term prediction of a chaotic flow: A physics-constrained reservoir computing approach [5.37133760455631]
  乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。 両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
  論文  参考訳（メタデータ） (2021-02-15T12:29:09Z)

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。