CarbonNet：计算机视觉如何应对气候变化？应用：学习 CCS 地下几何形状的岩石力学以缓解全球变暖
计算机视觉与模式识别
2024-03-20 v3 人工智能
摘要
我们引入了一种新方法，利用计算机视觉从碳捕集与封存 (CCS) 的地下几何图像预测地表位移。CCS 已被证明是碳中和社会的关键组成部分。然而，科学家们发现这一过程中存在挑战，包括由于模型规模庞大导致的高计算成本，以及将预训练模型泛化到复杂物理问题的局限性。我们通过直接从地下几何图像训练模型来解决这些挑战。目标是了解碳注入导致的地表位移响应，并利用我们训练的模型为 CCS 项目的决策提供信息。我们针对静力学问题（一个图像预测问题）实现了多种模型（CNN、ResNet 和 ResNetUNet）。接着，我们使用 LSTM 和 transformer 处理瞬态力学场景（一个视频预测问题）。结果表明，得益于其架构，ResNetUNet 在静力学问题中优于其他模型，而 LSTM 在瞬态问题中的表现与 transformer 相当。本报告随后详细概述了我们的数据集，并在方法部分描述了模型。结果与讨论部分阐述了关键学习点、观察结果和结论，最后以未来工作展望结束全文。
引用
@article{arxiv.2403.06025,
title = {CarbonNet: How Computer Vision Plays a Role in Climate Change? Application: Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming},
author = {Wei Chen and Yunan Li and Yuan Tian},
journal= {arXiv preprint arXiv:2403.06025},
year = {2024}
}