GeoFUSE：面向海水渗入预测与不确定性降低的高效替代模型
机器学习
2024-10-29 v1
摘要
海水渗入海岸地下水系统构成严重威胁，尤其是由于气候变化导致的海平面上升。在此背景下，对该过程进行准确建模和不确定性量化至关重要，但往往受到传统数值模拟的高计算成本的制约。本文开发了 GeoFUSE，一种新型基于深度学习的替代框架，集成了 U-Net 傅里叶神经算子 (U-FNO)、主成分分析 (PCA) 和 Ensemble Smoother with Multiple Data Assimilation (ESMDA)。GeoFUSE 实现了海水渗入的快速高效模拟，显著降低模型预测的不确定性。我们将 GeoFUSE 应用于华盛顿州 Beaver Creek 潮汐溢流-泛滥系统的 2D 断面。使用 1500 个地质实现，我们训练 U-FNO 替代模型以逼近盐度分布和积累。U-FNO 模型成功将计算时间从使用 PFLOTRAN 模拟的小时级降低到秒级，加速约 36 万倍，同时保持高精度。通过整合监测井中的测量数据，该框架显著降低了地质不确定性，提高了盐度分布在 20 年时间范围内的预测精度。我们的结果表明，GeoFUSE 在提高计算效率方面具有优势，并为实时不确定性量化和地下水管理决策提供了稳健工具。未来工作将将 GeoFUSE扩展至 3D 模型并纳入海平面上升和极端天气事件等额外因素，使其适用于更广泛的沿海和地下流动系统。
引用
@article{arxiv.2410.20118,
title = {GeoFUSE: A High-Efficiency Surrogate Model for Seawater Intrusion Prediction and Uncertainty Reduction},
author = {Su Jiang and Chuyang Liu and Dipankar Dwivedi},
journal= {arXiv preprint arXiv:2410.20118},
year = {2024}
}