三维裂隙网络中气体输运的贝叶斯学习
地球物理
2024-08-20 v1 数据分析、统计与概率
摘要
由于地下岩石材料的非均质性，对岩石裂隙中气体流动进行建模是一个尤其具有挑战性的问题。采用离散裂隙网络（DFN）模型的高保真模拟是一种预测地表气体粒子突破时间的方法，但计算代价高昂。我们提出一种贝叶斯机器学习方法，作为这些三维 DFN 模拟的高效代理模型（或称仿真器）。我们的模型在少量模拟数据上训练，并利用基于图/路径的裂隙网络分解，快速预测突破时间分布的分位数。该方法基于高斯过程回归（GPR），其预测结果在高保真 DFN 模拟结果的 20–30% 误差范围内。与先前提出的方法不同，它还提供不确定性量化，输出在地下建模固有不确定性下至关重要的置信区间。我们训练好的模型在不到一秒的时间内运行，比具有相当精度的其他方法快得多，且比高保真模拟快数个数量级。
引用
@article{arxiv.2306.03416,
title = {Bayesian Learning of Gas Transport in Three-Dimensional Fracture Networks},
author = {Yingqi Shi and Donald J. Berry and John Kath and Shams Lodhy and An Ly and Allon G. Percus and Jeffrey D. Hyman and Kelly Moran and Justin Strait and Matthew R. Sweeney and Hari S. Viswanathan and Philip H. Stauffer},
journal= {arXiv preprint arXiv:2306.03416},
year = {2024}
}