基于傅里叶神经算子的碳封存监测与预测的学习型耦合反演
地球物理
2022-12-19 v1 机器学习
摘要
碳封存地震监测是一个涉及流体流动物理与波动物理的挑战性问题。此外，监测通常要求这些物理的求解器耦合且可微，以有效反演感兴趣的地下属性。为大幅降低计算成本，我们引入了一种基于波动建模算子、岩石属性转换和代理流体流动模拟器的学习型耦合反演框架。我们展示了可以以极低的计算成本分数准确使用傅里叶神经算子作为流体流动模拟器的代理。我们通过一个合成实验证明了所提方法的有效性。最后，我们的框架被扩展到碳封存预测，在其中我们有效利用代理傅里叶神经算子以近乎零的额外成本预测未来CO2羽流。
引用
@article{arxiv.2203.14396,
title = {Learned coupled inversion for carbon sequestration monitoring and forecasting with Fourier neural operators},
author = {Ziyi Yin and Ali Siahkoohi and Mathias Louboutin and Felix J. Herrmann},
journal= {arXiv preprint arXiv:2203.14396},
year = {2022}
}