論文の概要: SubsurfaceGen: Procedural Generation of Field-Scale Earth Models and Seismic Data
- arxiv url: http://arxiv.org/abs/2605.30541v1
- Date: Thu, 28 May 2026 20:15:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.216463
- Title: SubsurfaceGen: Procedural Generation of Field-Scale Earth Models and Seismic Data
- Title（参考訳）: SubgroundGen: フィールドスケール地球モデルと地震データの手続き的生成
- Authors: Joseph Stitt, Pratik Rathore, Madeleine Udell, Ching-Yao Lai,
- Abstract要約: フルウェーブフォーム・インバージョン(Full Waveform Inversion、FWI)は、地下イメージングの標準規格である。
FWIへの機械学習アプローチには、フィールドスケール、地質学的に多様性があり、物理的に現実的なトレーニングデータが必要である。
本稿では,3次元速度モデルと地震データのためのGPU加速ジェネレータであるSub surfaceGenを用いて,これらの制約に対処する。
- 参考スコア（独自算出の注目度）: 10.55228871676445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full waveform inversion (FWI) is the gold standard for subsurface imaging, with applications from carbon sequestration to energy and mineral exploration to earthquake hazard assessment. Machine learning approaches to FWI need field-scale, geologically diverse, and physically realistic training data, but existing resources such as Marmousi, SEAM, and OpenFWI fall short on spatial extent, temporal extent, geological diversity, and physical realism. We address these limitations with SubsurfaceGen, a GPU-accelerated generator for 3D velocity models and seismic data. Along with SubsurfaceGen, we release a paired dataset of 4,276 2D velocity slices, 5 s wavefields, and 8 s shot gathers drawn from 42 realistic, field-scale 3D velocity models, each spanning 10 km x 10 km laterally and 6.19 km deep at 10 m resolution. The dataset spans six geological settings -- four built with SubsurfaceGen and two drawn from prior sources -- relevant for carbon sequestration and hydrocarbon exploration. We use this dataset to evaluate neural operators on wavefield prediction and encoder-decoders on end-to-end velocity inversion, holding out one geological setting for out-of-distribution testing. These experiments surface failure modes at field-scale and demonstrate how SubsurfaceGen and the associated dataset can impact ML-based FWI.
- Abstract（参考訳）: フルウェーブフォーム・インバージョン(Full Waveform Inversion、FWI)は、炭素沈降、エネルギー探査、鉱物探査、地震の危険評価など、地下イメージングのための金の標準規格である。
FWIへの機械学習アプローチは、フィールドスケール、地質学的に多様性があり、物理的に現実的なトレーニングデータを必要とするが、Marmousi、SEAM、OpenFWIといった既存のリソースは、空間的範囲、時間的範囲、地質的多様性、物理的リアリズムに乏しい。
本稿では,3次元速度モデルと地震データのためのGPU加速ジェネレータであるSub surfaceGenを用いて,これらの制約に対処する。
Sub surfaceGenとともに、42の現実的な3次元速度モデルから抽出された4,276の2次元速度スライス、5 sの波動場、8 sショットのデータセットを、それぞれ横に10km×10km、奥に10mの解像度で6.19kmの深さでリリースする。
データセットは6つの地質学的設定 – Sub surfaceGenで構築された4つと、以前の資料から得られた2つ – にまたがっている。
このデータセットを用いて、波動場予測とエンコーダ・デコーダによるエンド・ツー・エンドの速度インバージョンの評価を行い、アウト・オブ・ディストリビューション・テストのための地質学的設定を1つ保持する。
これらの実験は、フィールドスケールで障害モードを表面化し、Sub surfaceGenと関連するデータセットがMLベースのFWIにどのように影響するかを実証する。
関連論文リスト
- Earth-o1: A Grid-free Observation-native Atmospheric World Model [81.55899748753434]
我々は、構造的制約を克服する観測ネイティブな大気圏モデルであるEarth-o1を提示する。
多様なセンサー入力を統一されたグリッドフリーな力学場に統合することにより、モデルは空間と時間の大気状態を自律的に前進させる。
本稿では,このパラダイムにより,明示的な数値解法のオーバーヘッドを伴わずに,直接的,リアルタイムな予測とクロスセンサ推論が可能となることを示す。
論文 参考訳（メタデータ） (2026-05-07T14:27:48Z) - Improving Full Waveform Inversion in Large Model Era [25.26004497243484]
シミュレーションおよび比較的単純なデータに基づいて完全に訓練されたモデルが、挑戦的な地質学的ベンチマークに対して驚くほどよく一般化可能であることを示す。
提案モデルは,OpenFWI上での最先端性能を実現し,データ駆動型FWIの一般化ギャップを大幅に狭める。
論文 参考訳（メタデータ） (2026-02-27T23:33:06Z) - 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) - EarthScape: A Multimodal Dataset for Surficial Geologic Mapping and Earth Surface Analysis [0.31077024712075796]
本研究では,地球表面マッピングと地球表面解析のための新しいAI対応マルチモーダルデータセットであるEarthScapeを紹介する。
EarthScapeは高解像度の空中RGBと近赤外(NIR)画像、デジタル標高モデル(DEM)、マルチスケールDEM起源の地形特徴、水文・インフラベクトルデータを統合している。
EarthScapeは、拡張のためのビジョンを持つ生きたデータセットとして、コンピュータビジョンと地球科学のギャップを埋める。
論文 参考訳（メタデータ） (2025-03-19T18:23:48Z) - Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。
このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。
本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
論文 参考訳（メタデータ） (2025-03-14T02:58:24Z) - EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。
このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。
このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
論文 参考訳（メタデータ） (2025-01-14T13:42:22Z) - A Physics-guided Generative AI Toolkit for Geophysical Monitoring [13.986582633154226]
フルウェーブフォーム・インバージョン(FWI)は地下探査において重要な役割を担っている。
物理原理で導かれる拡散モデルを用いて高忠実度速度マップを生成するEdGeoツールキットを提案する。
論文 参考訳（メタデータ） (2024-01-06T06:09:05Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - OpenFWI: Large-Scale Multi-Structural Benchmark Datasets for Seismic
Full Waveform Inversion [16.117689670474142]
フルウェーブフォーム・インバージョン(FWI)は、地震データから高分解能速度マップを再構成するために地球物理学で広く用いられている。
データ駆動型FWI手法の最近の成功は、地球物理学のコミュニティにサービスを提供するためのオープンデータセットの需要が急速に増加した結果である。
大規模マルチ構造化ベンチマークデータセットの集合であるOpenFWIを提案する。
論文 参考訳（メタデータ） (2021-11-04T15:03:40Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳（メタデータ） (2021-02-15T10:37:52Z)
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。