Aug, 2023

多支撑度傅立叶神经算子用于大规模地质碳封存快速建模

PDF
TL;DR采用多保真度傅里叶神经操作器解决大规模地质碳储存问题，并减少高真实度数据生成成本。
deep learning-based surrogate modelsgeological carbon storagemulti-fidelity fourier neural operatorlarge-scale gcs problemsdata generation costs
发现论文，激发创造
  • 基于傅里叶神经算子的转移学习多保真流场与温度场预测

    提出了一种基于傅里叶神经算子的多保真学习方法，通过联合大量低保真度数据和有限高保真度数据，利用转移学习范式实现了对复杂流体和温度问题的预测，并且获得了高达 99% 的建模准确性。

    Apr, 2023

  • 本地卷积增强的全局傅里叶神经算子用于多尺度动态空间预测

    通过改进的傅里叶层和注意机制，我们提出了一种新颖的分层神经算子，旨在捕获所有细节并在不同尺度上处理它们，以解决多尺度偏微分方程问题。在多个物理场景中进行实验，并在现有偏微分方程基准测试中取得卓越性能，尤其是具有快速系数变化特征的方程。

    Nov, 2023

  • 预测三维地震波传播的傅里叶神经算子代理模型

    本文介绍了利用神经算子和傅里叶神经算子在三维地震学中进行高保真数值模拟并模拟地面运动时系列的应用。模型可以用于评估地质特征对地面运动的影响，特别是介于中等和大范围的区间的地面运动强度。

    Apr, 2023

  • 利用图神经网络学习断层油藏中 CO2 延展规律

    利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。

    Jun, 2023

  • U-FNO – 多相流增强傅里叶神经算子深度学习模型

    U-FNO 是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和 ML 模型，U-FNO 模型在 CO2 注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目等效的准确性。

    Sep, 2021

  • 多网格张量化傅里叶神经算子用于高分辨率偏微分方程

    通过引入一种新的高效数据、可高度并行化的操作符学习方法，称为多网格张量化神经算子 (MG-TFNO)，我们解决了部分微分方程 (PDEs) 的学习解算符在高分辨率下存在的内存复杂度和数据稀缺性的限制。

    Sep, 2023

  • 基于多模潜动态模型和深度强化学习的地质碳封存运营优化

    多模态潜在动态（MLD）模型用于提高地质碳储存的存储性能，通过快速流量预测和井控优化，结合深度学习框架，训练深度强化学习代理来最大化净现值（NPV）并减少计算资源使用。

    Jun, 2024

  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • 多尺度神经算子：学习快速且与网格无关的 PDE 求解器

    利用神经算子的混合模型有效缩短了气候、化学或天体物理领域的数值模拟所需的计算成本、提升了模型预测精度、并提供了更灵活的可靠的参数化方法。

    Jul, 2022

  • 任意分辨率气候数据下降的傅里叶神经算子

    本文介绍了一种基于 Fourier 神经算子的下采样方法，其能够实现在低分辨率的模拟数据上零样本升采样到任意分辨率，并且在这方面表现优于先前的模型。作者将其在气候和 Navier-Stokes 方程解数据上进行了评估，结果显示其在单分辨率下采样和零样本上采样方面均优于现有的模型。

    May, 2023