地中流代理モデルの効率的構築のための多忠実度トレーニングデータと移動学習の利用【JST・京大機械翻訳】

Jiang Su; Durlofsky Louis J.

プレプリント

J-GLOBAL ID：202202201385904940 整理番号：22P0337349

地中流代理モデルの効率的構築のための多忠実度トレーニングデータと移動学習の利用【JST・京大機械翻訳】

Use of Multifidelity Training Data and Transfer Learning for Efficient Construction of Subsurface Flow Surrogate Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年04月23日プレプリントサーバーでの情報更新日： 2022年04月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 疲れ一般 , アンテナ

, , , , ,

前のページに戻る