Sep, 2024

高效且具有普适性的嵌套傅里叶-DeepONet用于三维地质碳封存

HTML
PDF
TL;DR本研究解决了地质碳封存中传统数值模拟计算成本高的问题，通过开发嵌套傅里叶-DeepONet，将傅里叶神经算子与深度算子网络相结合。该新框架在训练效率上提高一倍，并减少至少80%的GPU内存需求，同时保持预测准确性，为未来的碳封存项目提供了更高效且精确的模拟工具。
发现论文，激发创造
  • 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

  • 使用混合图网络模拟器学习大规模的地下模拟

    介绍了一种名为Hybrid Graph Network Simulator（HGNS）的数据驱动替代模型，该模型可在学习3D地下流体流动的同时准确地预测流体流动。与以往的替代模型相比，HGNS 可以缩短推理时间并减少长期预测误差。

    Jun, 2022

  • 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

  • 地质CO2封存的代理模型及其在基于MCMC的历史匹配中的应用

    在这项研究中，我们利用基于深度学习的代理模型来处理具有高度地质不确定性的地质碳储存系统，通过使用大量地质情景下的地质模型实现了准确的预测，并将其用于马尔可夫链蒙特卡洛历史匹配工作流程以降低地质不确定性，从而得到与真实模型更接近的3D压力和饱和度。

    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

    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。

    Aug, 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

    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。

    Sep, 2023

  • 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

  • 考虑井口条件、位置和渗透率场的神经运算符代理储层模拟

    通过使用Fourier神经算子构建的模型，能够准确地预测不同渗透率、井位、井控和井数条件下的压力和饱和度，从而实现了对未知井位、井控和井数的预测，能够加速油藏历史匹配和油藏表征过程，实现高效的油藏管理和优化。

    Jul, 2024

  • 基于深度学习的历史匹配CO2储存框架与4D地震监测井数据

    本研究解决了地质碳储存过程中由于地下构造属性的不确定性而导致的大规模储存操作设计和优化的难题。提出了一种历史匹配策略，通过适应性深度学习模型基于早期观察进行属性校准，显著提高了对CO2羽流动力学的预测精度和不确定性减少的效率。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。

    Aug, 2024

  • 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

    本研究提出了一种新的代理建模框架，以解决深度学习代理模型在地下流动应用中的训练需求高的难题。通过结合大量低成本流动模拟与较少的耦合模拟，提出了一种有效的训练方法，利用残余U-Net架构提升预测精度，最后展示该模型在历史匹配中的有效性，显著减少不确定性并提升预测准确性。

    Aug, 2024