用于大规模地质碳储快速建模的多保真度傅里叶神经算子
机器学习
2024-01-11 v3 机器学习
摘要
基于深度学习的替代模型已广泛应用于地质碳储（GCS）问题，以加速储层压力和 CO2 羽流迁移的预测。需要来自基于物理的数值模拟器的大量数据来训练模型，以准确预测与该过程相关的复杂物理行为。在实践中，由于计算成本高，在大规模三维问题中可用训练数据总是有限的。因此，我们提出使用多保真度傅里叶神经算子（FNO）以更可负担的多保真度训练数据集解决大规模 GCS 问题。FNO 具有理想的网格不变性，简化了不同离散化数据集之间的迁移学习过程。我们首先在一个离散为 11 万网格单元的 GCS 储层模型上测试模型效能。多保真度模型能以与用相同数量高保真数据训练的高保真模型相当的精度进行预测，且数据生成成本降低 81%。我们进一步在同一储层模型以 100 万网格单元更细离散化上测试多保真度模型的泛化性。该案例通过采用由不同地质统计模型和储层模拟器生成的高保真与低保真数据集而更具挑战性。我们观察到，即使高保真数据极其有限，多保真度 FNO 模型仍能以合理精度预测压力场。本研究的发现有助于更好地理解多保真度深度学习替代模型的可迁移性。
引用
@article{arxiv.2308.09113,
title = {Multi-fidelity Fourier Neural Operator for Fast Modeling of Large-Scale Geological Carbon Storage},
author = {Hewei Tang and Qingkai Kong and Joseph P. Morris},
journal= {arXiv preprint arXiv:2308.09113},
year = {2024}
}