論文の概要: Data assimilation for subsurface flow using latent diffusion model parameterization: performance of ensemble-Kalman and Monte Carlo techniques

• arxiv url: http://arxiv.org/abs/2606.11140v1
• Date: Tue, 09 Jun 2026 17:29:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.642659
• Title: Data assimilation for subsurface flow using latent diffusion model parameterization: performance of ensemble-Kalman and Monte Carlo techniques
• Title（参考訳）: 潜時拡散モデルパラメータ化を用いた地下流れのデータ同化:アンサンブルカルマン法とモンテカルロ法の性能
• Authors: Guido Di Federico, Wenchao Teng, Louis J. Durlofsky,
• Abstract要約: 地下流れにおけるデータ同化(DA)は、通常井戸で観測されたデータと一致するようにモデルのパラメータを校正する。 潜時拡散モデル(LDMs)は、高次元の地質モデル空間から低次元の潜時変数への効率的なマッピングを提供する。 本稿では,大規模3次元チャネル化ジオモデルと階層的地質的不確実性を考慮したDAアルゴリズムの体系的比較を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data assimilation (DA) in subsurface flow entails calibrating model parameters to match observed data, typically at wells, while preserving geological realism. Latent diffusion models (LDMs) provide efficient mappings from high-dimensional geological model space to a low-dimensional latent variable, reducing the dimensionality of the inverse problem while maintaining plausibility in posterior geomodels. However, the high nonlinearity in the LDM mapping may degrade the performance of Kalman-gain-based ensemble updates. We present a systematic comparison of DA algorithms applied to large-scale 3D channelized geomodels with hierarchical geological uncertainty. We compare model-space and latent-space DA using the ensemble smoother with multiple data assimilation (ESMDA), and demonstrate a key trade-off: model-space updates achieve significant uncertainty reduction but produce geologically unrealistic posterior models, while latent-space updates preserve realism but exhibit limited uncertainty reduction. Motivated by this, we explore rigorous Markov chain Monte Carlo (MCMC) and Sequential Monte Carlo (SMC) algorithms in the 3D-LDM latent space. To accommodate their high computational demands, we develop a fast surrogate flow model that approximates well-rate responses. MCMC and SMC are evaluated against ESMDA across three synthetic test cases, with DA performed in the LDM latent space. All models maintain geological realism due to the LDM parameterization. MCMC and SMC are consistent with one another and achieve lower data mismatch and more uncertainty reduction than latent-space ESMDA. Our overall results demonstrate that ensemble Kalman methods may provide overestimated posterior uncertainty with highly nonlinear parameterizations, while rigorous Monte Carlo sampling, enabled by fast surrogate models, can provide a more reliable alternative.
• Abstract（参考訳）: 地下流れにおけるデータ同化(DA)は、地質学的リアリズムを保ちながら、観測されたデータ(通常井戸)と一致させるためにモデルパラメータの校正を必要とする。 潜時拡散モデル(LDMs)は、高次元の地質モデル空間から低次元の潜時変数への効率的なマッピングを提供し、後方ジオモデルにおける妥当性を維持しながら逆問題の次元性を低下させる。 しかし、LDMマッピングの高非線形性は、カルマンゲインに基づくアンサンブル更新の性能を低下させる可能性がある。 本稿では,大規模3次元チャネル化ジオモデルと階層的地質的不確実性を考慮したDAアルゴリズムの体系的比較を行う。 モデル空間更新は大きな不確実性低減を実現するが、地質学的に非現実的な後続モデルを生成する一方で、潜時空間更新はリアリズムを保ちながら限られた不確実性低下を示す。 これを動機として、3D-LDMラテント空間における厳密なマルコフ連鎖モンテカルロ(MCMC)とシークエンシャルモンテカルロ(SMC)のアルゴリズムを探索する。 高い計算要求に対応するため,我々は高速な代理フローモデルを構築した。 MCMCとSMCは3症例でEMSDAに対して評価され, LDM潜伏空間ではDAが施行された。 すべてのモデルは、LDMパラメータ化のため、地質的リアリズムを維持している。 MCMCとSMCは互いに一致しており、遅延空間ESMDAよりも低いデータミスマッチとより不確実性の低減を実現している。 以上の結果から,アンサンブルカルマン法は高非線形パラメータ化を伴って過大評価された後続不確かさをもたらす可能性を示し,高速サロゲートモデルによる厳密なモンテカルロサンプリングは,より信頼性の高い代替手段となる可能性が示唆された。

関連論文リスト

• 3D latent diffusion models for parameterizing and history matching multiscenario facies systems [0.0]
  本手法は,3次元チャネルレジーマウスシステムのための生成潜伏拡散モデル (LDMs) に基づくパラメータ化手法である。 LDM法を用いて構築された新しい実現法は、参照ジオモデルと密接に類似していることが示されている。 フロー応答分布は、特定の注入と生産井戸のセットに対して、2つのモデルのセット間に密接な一致があることも示される。
  論文  参考訳（メタデータ） (2025-08-14T03:40:35Z)
• Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison [50.0791489606211]
  我々は、最先端の非線形モデルオーダー削減手法についてレビューする。 本稿では,(化学)プロセスシステムのための汎用的手法と適合したアプローチについて論じる。
  論文  参考訳（メタデータ） (2025-06-15T11:39:12Z)
• Generalization capabilities and robustness of hybrid models grounded in physics compared to purely deep learning models [2.8686437689115363]
  本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した: 適切な分解(POD)と長期記憶(LSTM)層を組み合わせたハイブリッドモデル(POD-DL)、畳み込みLSTM層を組み合わせた畳み込みオートエンコーダ(VAE)とConvLSTM層を組み合わせた変分オートエンコーダ(VAE)。 VAEモデルとConvLSTMモデルが正確に層流を予測する一方で、ハイブリッドPOD-DLモデルは他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-27T12:43:02Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• 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)
• Optimization-Based MCMC Methods for Nonlinear Hierarchical Statistical Inverse Problems [0.6091702876917279]
  多くの階層的逆問題において、パラメータ・可観測写像において高次元あるいは無限次元のモデルパラメータを推定するだけでなく、ハイパーパラメータを推定する必要がある。 本研究では,階層型ベイズ逆問題の解法として,スケーラブルな最適化に基づくマルコフ連鎖モンテカルロ法(MCMC)を提案する。
  論文  参考訳（メタデータ） (2020-02-15T10:19:42Z)

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。