Funktionalraum-entkoppelte Diffusion für Vorwärts- und Rückwärtsmodellierung in der Kohlenstoffabscheidung und -speicherung
Von Gemini AI generiertes Bild
Ein neues Framework, Fun-DDPS, verbessert die Charakterisierung von Untergrundströmungen für die Kohlenstoffabscheidung und -speicherung (CCS), indem es Herausforderungen bei inversen Problemen mit spärlichen Daten angeht. Es kombiniert Diffusionsmodelle mit neuronalen Operator-Surrogaten und erreicht dabei einen Fehler von nur 7,7 % bei der Vorwärtsmodellierung mit lediglich 25 % der Beobachtungen – was eine 11-fache Verbesserung gegenüber herkömmlichen Methoden darstellt. Zudem validiert Fun-DDPS diffusionsbasierte Inversesolver durch Ablehnungsstichproben, was zu physikalisch konsistenten Ergebnissen mit einer viermal besseren Proben-Effizienz führt. Diese Fortschritte könnten die Datenassimilation in CCS-Projekten erheblich verbessern.
Neues Framework verbessert die Modellierung von Kohlenstoffabscheidung und -speicherung
Ein neuartiges generatives Framework, Fun-DDPS, zielt darauf ab, die Modellierung des Untergrundflusses in Anwendungen der Kohlenstoffabscheidung und -speicherung (CCS) zu verbessern. Dieser Ansatz adressiert die Herausforderungen, die durch inverse Probleme und spärliche Beobachtungsdaten entstehen, und zeigt eine überlegene Leistung im Vergleich zu traditionellen Methoden.
Fun-DDPS kombiniert Diffusionsmodelle im Funktionsraum mit differenzierbaren neuronalen Operator-Surrogaten für die Modellierung. Es erlernt eine Priorverteilung geologischer Parameter durch ein eindimensionales Diffusionsmodell und nutzt einen Local Neural Operator (LNO) Surrogat für physik-konsistente Anleitung. Diese Technik ermöglicht es Fun-DDPS, fehlende Informationen im Parameterspektrum wiederherzustellen und gleichzeitig die Datenassimilation zu verbessern.
Leistungsverbesserungen
Die Wirksamkeit von Fun-DDPS wurde anhand synthetischer Modellierungsdatensätze für CCS bewertet, was zu zwei bedeutenden Ergebnissen führte:
- Effizienz der Vorwärtsmodellierung: Mit nur 25% der verfügbaren Beobachtungen erreichte Fun-DDPS einen relativen Fehler von 7,7%, eine erhebliche Verbesserung gegenüber standardmäßigen Surrogatmodellen, die einen relativen Fehler von 86,9% aufwiesen.
- Validierung der Inversmodellierung: Fun-DDPS wurde gegen asymptotisch exakte Rejection Sampling (RS) Posterioren validiert und erreichte eine Jensen-Shannon-Divergenz von weniger als 0,06 im Vergleich zu den Grundwahrheitsdaten sowie eine vierfache Steigerung der Stichproben-Effizienz im Vergleich zum Rejection Sampling.
Verwandte Themen:
📰 Originalquelle: https://arxiv.org/abs/2602.12274v1
Alle Rechte und Urheberrechte liegen beim ursprünglichen Herausgeber.