BriefGPT - AI 论文速递
·
深度学习代理模型在表面位移和流动中的加速训练及其在基于MCMC的CO2储存作业历史匹配中的应用
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于深度学习的三维方法，用于反演地下密度和速度模型，以预测地下CO₂羽流。该方法优于仅有重力或仅有地震的反演模型，具有改进的密度和速度重建、准确的分割和更高的R-squared系数。未来的工作将验证该方法的有效性。
🎯
关键要点
- 介绍了一种基于深度学习的三维方法，用于反演地下密度和速度模型。
- 该方法的目标应用是预测地下CO₂羽流，作为监测CO₂封存的补充工具。
- 联合反演技术优于仅有重力或仅有地震的反演模型。
- 实现了改进的密度和速度重建、准确的分割以及更高的R-squared系数。
- 基于深度学习的联合反演被认为是一种有效的CO₂储存监测工具。
- 未来的工作将验证该方法的有效性，使用更大的数据集进行模拟。
➡️
