Sep, 2023

通过深度学习联合反演时间变化的地表重力和地震数据以监测三维 CO$_2$ 气体云层

PDF
TL;DR我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建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封存部署的补充工具，我们的联合反演技术优于基于深度学习的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，这些结果表明基于深度学习的联合反演是一种有效的 CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。
3ddeep learningtime-lapseco2 sequestrationsubsurface density
发现论文，激发创造
  • 利用学习替代和约束解决多物理反问题

    使用具有计算便宜的学习代理器和学习约束的方法解决地质碳封存监测中多模态逆问题，提供更精确的渗透率倒转和多样化数据逆转的计算可行方法。

    Jul, 2023

  • 3D 地震反演的深度压缩学习

    使用压缩学习框架和深度卷积神经网络（DCNN）联合优化维度缩减算子和实现三维反演编码 - 解码器的方法，以极少量的地震源进行预堆叠数据的三维地震反演，通过学习稀疏二进制感知层来实现维度缩减，并保持与使用整个数据集获得的三维重建质量相当的回归任务效果。

    Oct, 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

  • 揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

    通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

    Jan, 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

  • 可控的地震速度合成使用生成扩散模型

    使用条件生成扩散模型为地震速度综合提供灵活性，同时提高准确性和可靠性，以解决目标分布涵盖的统计或神经网络方法不足的问题。

    Feb, 2024

  • 无标记学习的地震走时层析成像

    利用深度学习和字典学习相结合的方法，通过对传统层析成像最小二乘法进行增强，提出了一种无需标签的深度神经网络训练方法，用于构建地震走时层析成像的低分辨率速度模型，并通过数值测试证明了该方法的有效性。

    Feb, 2024

  • 地震反演的基于坐标的学习方法：IntraSeismic

    介绍了 IntraSeismic，一种新颖的混合地震反演方法，具有 2D 和 3D 后处理地震反演中无与伦比的性能、快速收敛速率、无缝包含硬约束条件（即井数据）和执行不确定性量化的能力，同时还具备数据压缩和对反演模型部分的快速随机访问的潜力。通过合成和现场数据的应用验证了该方法的有效性。

    Dec, 2023

  • 基于自动微分的耦合时序全波形反演方法研究及其在地下流问题中的应用

    本研究提出并应用了一种新颖的框架，通过结合全波形反演、地下流动过程和岩石物理模型来估计岩石渗透率和孔隙度等地下性质，其使用计算效率和编程效率的最佳平衡，并能够同时模拟岩石物理模型的参数，以预测储层的性能并优化储层管理。

    Dec, 2019

  • CarbonNet：计算机视觉在气候变化中的作用？应用：学习地下储存 CO2 的地质力学，以缓解全球变暖

    利用计算机视觉预测陆地表面位移，为碳捕集和封存（CCS）提供新的方法。通过训练模型直接从地下几何图像中，我们解决了计算量大和模型泛化性差等挑战，从而可以理解碳注入导致的陆地表面位移，并利用训练好的模型支持 CCS 项目的决策制定。

    Mar, 2024