Difusión desacoplada en espacio funcional para modelado directo e inverso en captura y almacenamiento de carbono

Nuevo Marco Mejora la Modelización de Captura y Almacenamiento de Carbono

Un nuevo marco generativo, Fun-DDPS, tiene como objetivo mejorar la modelización del flujo subsuperficial en aplicaciones de Captura y Almacenamiento de Carbono (CAC). Este enfoque aborda los desafíos planteados por problemas inversos y datos de observación escasos, demostrando un rendimiento superior en comparación con los métodos tradicionales.

Fun-DDPS combina modelos de difusión en espacio funcional con sustitutos de operadores neuronales diferenciables para la modelización. Aprende una distribución previa de los parámetros geológicos a través de un modelo de difusión de canal único y utiliza un sustituto de Operador Neuronal Local (LNO) para una guía consistente con la física. Esta técnica permite a Fun-DDPS recuperar información faltante en el espacio de parámetros mientras mejora la asimilación de datos.

Mejoras en el Rendimiento

La eficacia de Fun-DDPS fue evaluada utilizando conjuntos de datos de modelización sintética para CAC, lo que dio lugar a dos hallazgos significativos:

• Eficiencia en la Modelización Directa: Usando solo el 25% de las observaciones disponibles, Fun-DDPS logró un error relativo del 7.7%, una mejora sustancial en comparación con los modelos sustitutos estándar, que registraron un error relativo del 86.9%.
• Validación de la Modelización Inversa: Fun-DDPS fue validado contra muestreos de rechazo asintóticamente exactos, logrando una divergencia de Jensen-Shannon de menos de 0.06 en comparación con los datos de verdad fundamental, y un aumento cuádruple en la eficiencia de muestreo en comparación con el muestreo por rechazo.