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1400字，阅读约需4分钟。
📝
内容提要
本文探讨了深度学习代理模型在地质碳储存中的应用，利用深度卷积和递归神经网络提高地下水流预测的准确性，减少不确定性。同时，研究了图神经网络和傅里叶神经操作器在复杂地质模型中的应用，优化了CO₂储存的监测和管理。通过历史匹配和数据同化技术，显著提升了模型的预测精度和效率。
🎯
关键要点
- 开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流，减少预测的不确定性，提高模型速度。
- 利用基于图神经网络的模型，准确预测气体饱和度和孔隙压力的时间演化，展现更高的准确度和更少的时间误差积累。
- 使用计算便宜的学习代理器解决地质碳封存监测中的多模态逆问题，提供更精确的渗透率倒转和多样化数据逆转的计算方法。
- 通过历史匹配和数据同化技术，显著提升了模型的预测精度和效率，降低地质不确定性。
- 采用多保真度傅里叶神经操作器，减少高真实度数据生成成本，改善工业规模碳储存运营中的含水层管理。
- 引入基于深度学习的三维方法，联合反演时间序列表面重力和地震数据，改进地下密度和速度模型的重建。
- 通过图网络代理模型将流动模型转换为计算图，提供1-2%的压力和饱和度的准确预测，并具有36倍的运行时间加速度。
- 研究表明，结合不同数据类型的深度学习模型能够有效整合多种数据，并评估其对不确定性减少和性能预测的影响。
❓
延伸问答
深度学习代理模型如何提高地下水流预测的准确性？
深度学习代理模型通过深度卷积和递归神经网络结构，减少预测的不确定性并提高模型速度。
图神经网络在CO2储存中的应用效果如何？
图神经网络能够准确预测气体饱和度和孔隙压力的时间演化，展现更高的准确度和更少的时间误差积累。
如何通过历史匹配降低地质不确定性？
通过历史匹配和数据同化技术，可以显著提升模型的预测精度和效率，从而降低地质不确定性。
多保真度傅里叶神经操作器的优势是什么？
多保真度傅里叶神经操作器可以减少高真实度数据生成成本，改善工业规模碳储存运营中的含水层管理。
深度学习如何改进地下密度和速度模型的重建？
通过引入基于深度学习的三维方法，联合反演时间序列表面重力和地震数据，改进地下密度和速度模型的重建。
图网络代理模型的运行效率如何？
图网络代理模型能够提供1-2%的压力和饱和度的准确预测，并具有36倍的运行时间加速度。
➡️
