文献

J-GLOBAL ID：202202245903789516   整理番号：22A0104202

並列多段階生成敵対ネットワークを用いたファンデルタの確率的シミュレーション【JST・京大機械翻訳】

Stochastic simulation of fan deltas using parallel multi-stage generative adversarial networks

著者 (3件)： Zhang Ting (College of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, 200090, China) ,  Yang Zhonghao (College of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, 200090, China) ,  Sun Chaochao (College of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, 200090, China)
資料名： Journal of Petroleum Science and Engineering  (Journal of Petroleum Science and Engineering)
巻： 208  号： PB  ページ： Null  発行年： 2022年 
JST資料番号： T0412A  ISSN： 0920-4105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ファンデルタの確率的シミュレーションは,貯水池の数値シミュレーションにおける重大な問題のひとつであった。ファンデルタの重要な数値シミュレーション方法の1つとして,多重点統計(MPS)は,シミュレーションを実行するために訓練画像(TI)のパターンを通して統計的特性を得る。しかし,ファンデルタのTIの非定常性のために,従来のMPSは,スムーズにTIの非定常特性を抽出できない。そのうえ,従来のMPSは主にCPUベースのシミュレーションに依存し,抽出確率情報は,記憶媒体のファイルの代わりにメモリに保存される情報だけからシミュレーション中に再利用できず,多重シミュレーションが連続して実行されるならば,シミュレーションプロセスを非常に時間がかかる。深層学習によってもたらされる強力な特徴抽出能力のおかげで,ファンデルタシミュレーションは,おそらく大いに改善されるであろう。生成敵対ネットワーク(GAN)は,画像生成のための重要な深層学習方法であるが,長いシミュレーション時間を受け,大規模訓練サンプルを必要とする。単一画像GAN(SinGAN)のようなGANのいくつかの変異体を,GANを実現するときの訓練データ量を減らすために提案した。SinGANに基づいて,並列多段GANを用いたファンデルタの確率的シミュレーション法を,この論文で提案し,それにより,ファンデルタの構造特性を,TIの単一画像から学習し,そして,確率的シミュレーションプロセスを,シミュレーション品質を低下させることなく,加速のために並列化することができた。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *シミュレーション ,  貯水池 ,  *ネットワーク ,  定常特性 ,  特徴抽出 ,  確率論 ,  多重化 ,  記憶媒体 ,  画像合成 ,  再利用 ,  構造特性
準シソーラス用語： 訓練データ ,  数値シミュレーション ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 確率論的シミュレーション ,  ファンデルタ ,  生成敵対ネットワーク ,  トレーニングイメージ ,  並列

分類 (1件)： 油層工学  (UA10030G)

タイトルに関連する用語 (5件)： 段階 ,  敵対 ,  ファン ,  デルタ ,  確率的シミュレーション