Diffusione Decouplata nello Spazio Funzionale per la Modellazione Diretta e Inversa nel Cattura e Stoccaggio del Carbonio
Immagine generata da Gemini AI
Un nuovo framework, Fun-DDPS, migliora la caratterizzazione del flusso sotterraneo per la cattura e stoccaggio del carbonio (CCS) affrontando le sfide legate ai problemi inversi con dati scarsi. Combina modelli di diffusione con surrogati basati su operatori neurali, raggiungendo un errore del 7,7% nella modellazione diretta con solo il 25% delle osservazioni, offrendo un miglioramento di 11 volte rispetto ai metodi standard. Fun-DDPS convalida anche i risolutori inversi basati sulla diffusione confrontandoli con il campionamento per rigetto, ottenendo risultati fisicamente coerenti con una efficienza di campionamento quattro volte superiore. Questo progresso potrebbe migliorare significativamente l'assimilazione dei dati negli sforzi di CCS.
Un Nuovo Framework Migliora la Modellazione della Cattura e dello Stoccaggio del Carbonio
Un innovativo framework generativo, Fun-DDPS, mira a migliorare la modellazione del flusso sotterraneo nelle applicazioni di Cattura e Stoccaggio del Carbonio (CCS). Questo approccio affronta le sfide poste dai problemi inversi e dai dati osservazionali scarsi, dimostrando prestazioni superiori rispetto ai metodi tradizionali.
Fun-DDPS unisce modelli di diffusione nello spazio delle funzioni con surrogati a operatore neurale differenziabile per la modellazione. Apprende una distribuzione a priori dei parametri geologici attraverso un modello di diffusione a canale singolo e utilizza un surrogato di Operatore Neurale Locale (LNO) per una guida coerente con la fisica. Questa tecnica consente a Fun-DDPS di recuperare informazioni mancanti nello spazio dei parametri, migliorando al contempo l'assimilazione dei dati.
Miglioramenti delle Prestazioni
L'efficacia di Fun-DDPS è stata valutata utilizzando dataset di modellazione sintetica per CCS, producendo due risultati significativi:
- Efficienza della Modellazione Diretta: Utilizzando solo il 25% delle osservazioni disponibili, Fun-DDPS ha raggiunto un errore relativo del 7,7%, un notevole miglioramento rispetto ai modelli surrogati standard, che hanno registrato un errore relativo dell'86,9%.
- Validazione della Modellazione Inversa: Fun-DDPS è stato convalidato rispetto a posteriori di campionamento per rigetto (RS) asintoticamente esatti, ottenendo una divergenza di Jensen-Shannon inferiore a 0,06 rispetto ai dati di verità fondamentale e un incremento quadruplo nell'efficienza del campionamento rispetto al campionamento per rigetto.
Argomenti correlati:
📰 Fonte originale: https://arxiv.org/abs/2602.12274v1
Tutti i diritti e i crediti appartengono all'editore originale.