Difusão Desacoplada em Espaço de Função para Modelagem Direta e Inversa em Captura e Armazenamento de Carbono
Imagem gerada por Gemini AI
Um novo framework, o Fun-DDPS, aprimora a caracterização do fluxo subsuperficial para Captura e Armazenamento de Carbono (CCS) ao enfrentar desafios em problemas inversos com dados escassos. Ele combina modelos de difusão com substitutos de operadores neurais, alcançando um erro de 7,7% em modelagem direta com apenas 25% de observações—uma melhoria de 11 vezes em relação aos métodos padrão. O Fun-DDPS também valida solvers inversos baseados em difusão em comparação com amostragem por rejeição, resultando em dados fisicamente consistentes com uma eficiência amostral quatro vezes superior. Este avanço pode melhorar significativamente a assimilação de dados nos esforços de CCS.
Nova Estrutura Melhora a Modelagem de Captura e Armazenamento de Carbono
Uma nova estrutura generativa, Fun-DDPS, visa melhorar a modelagem do fluxo subterrâneo em aplicações de Captura e Armazenamento de Carbono (CCS). Essa abordagem enfrenta os desafios impostos por problemas inversos e dados observacionais escassos, demonstrando desempenho superior em relação aos métodos tradicionais.
O Fun-DDPS combina modelos de difusão em espaço de função com substitutos de operadores neurais diferenciáveis para modelagem. Ele aprende uma distribuição prévia de parâmetros geológicos através de um modelo de difusão de canal único e utiliza um substituto de Operador Neural Local (LNO) para orientação consistente com a física. Essa técnica permite que o Fun-DDPS recupere informações ausentes no espaço de parâmetros enquanto melhora a assimilação de dados.
Melhorias de Desempenho
A eficácia do Fun-DDPS foi avaliada usando conjuntos de dados de modelagem sintética para CCS, resultando em duas descobertas significativas:
- Eficiência na Modelagem Direta: Usando apenas 25% das observações disponíveis, o Fun-DDPS alcançou um erro relativo de 7,7%, uma melhoria substancial em relação aos modelos substitutos padrão, que registraram um erro relativo de 86,9%.
- Validação da Modelagem Inversa: O Fun-DDPS foi validado em relação a amostras posteriores de Rejeição Assintoticamente Exata (RS), alcançando uma divergência de Jensen-Shannon de menos de 0,06 em comparação com dados verdadeiros, e um aumento de quatro vezes na eficiência da amostra em comparação com a amostragem por rejeição.
Tópicos relacionados:
📰 Fonte original: https://arxiv.org/abs/2602.12274v1
Todos os direitos e créditos pertencem ao editor original.