抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
データ同化は,多くの高忠実度モデルをシミュレートしなければならないので,計算上の課題を提示する。これらのアプリケーションに関連したシミュレーションコストを低減するために,様々な深層学習ベースの代理モデリング技術を開発した。しかし,データ駆動代理モデルを構築するためには,訓練サンプルを提供するために数千の高忠実度シミュレーション実行が必要であり,これらの計算は訓練を禁止的に高価にする。この課題に取り組むために,本研究では,訓練シミュレーションの大部分が粗いジオモデルで実行されるフレームワークを提示した。これらのモデルを,フローベースのアップスケーリング法を用いて構築した。このフレームワークは,ネットワーク訓練が3段階で達成される既存の再帰残差U-Netアーキテクチャ内に組み込まれた転送学習手順の使用を必要とする。訓練のバルクが実行される第一段階では,低忠実度シミュレーション結果のみを用いた。出力層が訓練され,全体ネットワークが微調整された第2と第3ステップは,比較的少数の高忠実度シミュレーションを必要とする。ここでは,2500の低忠実度ランと200の高忠実度ランを用いて,訓練シミュレーションコストを約90%削減した。本方法を,井戸によって駆動される流れによって,3Dチャネル化システムにおける二相地中流に適用した。マルチ忠実度データで訓練された代理モデルは,新しいジオモデルにおける動的圧力と飽和場の予測において,高忠実度データだけによって訓練された参照代理人とほぼ正確であることを示した。重要なことは,ネットワークが,訓練のほとんどに使用される低忠実度シミュレーションよりも著しく正確である結果を提供する。また,多重忠実度代理を,参照結果に対する精度を再び示すアンサンブルベース手順を用いた履歴マッチングに適用した。【JST・京大機械翻訳】