功能空间解耦扩散在碳捕集与储存中的正向和反向建模应用
Gemini AI生成的图像
一种新框架Fun-DDPS通过解决稀疏数据逆问题中的挑战，增强了碳捕集与封存（CCS）下部流动特征的表征能力。该框架将扩散模型与神经算子代理相结合，实现了在仅有25%观测数据的情况下，正向建模误差仅为7.7%——这一结果比传统方法提高了11倍。Fun-DDPS还通过拒绝采样验证了基于扩散的逆解算器，得出的结果在物理上具有一致性，并且样本效率提高了4倍。这一进展有望显著改善CCS项目中的数据同化能力。
新框架增强了碳捕集与储存建模
一种新颖的生成框架Fun-DDPS旨在改善碳捕集与储存（CCS）应用中的地下流动建模。该方法解决了反问题和稀疏观测数据带来的挑战，展示了优于传统方法的性能。
Fun-DDPS将函数空间扩散模型与可微神经算子代理相结合进行建模。它通过单通道扩散模型学习地质参数的先验分布，并利用局部神经算子（LNO）代理提供物理一致的指导。这项技术使Fun-DDPS能够在参数空间中恢复缺失信息，同时增强数据同化。
性能提升
Fun-DDPS的有效性通过合成建模数据集进行评估，针对CCS得出了两项重要发现：
- 前向建模效率：仅使用25%的可用观测数据，Fun-DDPS实现了7.7%的相对误差，相较于记录相对误差为86.9%的标准代理模型有了显著改善。
- 反向建模验证：Fun-DDPS与渐近精确的拒绝采样（RS）后验进行了验证，取得了与真实数据相比小于0.06的詹森-香农散度，并实现了相比于拒绝采样四倍的样本效率提升。
相关主题：
功能空间解耦扩散模型碳捕集与储存正向和反向建模数据同化物理一致的指导
📰 原始来源： https://arxiv.org/abs/2602.12274v1
所有权利和署名均属于原出版商。