Key points are not available for this paper at this time.
ملخص لقد تم دراسة المحاكاة العددية للتدفق والنقل في التكوينات غير المتجانسة منذ فترة طويلة، خاصة لتquantification عدم اليقين وتقييم المخاطر. إن التكلفة الحسابية العالية المرتبطة بتشغيل المحاكاة العددية على نطاق واسع بطريقة مونت كارلو قد دفعت إلى تطوير نماذج بديلة، التي تهدف إلى التقاط العلاقات المهمة بين المدخلات والمخرجات لنماذج تعتمد على الفيزياء، ولكنها تتطلب فقط جزءًا من تكلفة تشغيل النموذج الكامل. في هذا العمل، نقوم بصياغة نموذج بديل لشبكة تنافسية عميقة شرطية (cDC-GAN) لتعلم التعيينات الوظيفية الديناميكية في النماذج متعددة المراحل. ينتمي cDC-GAN إلى مجموعة من طرق التعلم شبه المُشرف التي يمكن استخدامها لتعلم عمليات توليد البيانات. مثل GAN الأصلي، تعتبر قوة رئيسية لـ cDC-GAN أنها تتضمن نظام تدريب ذاتي لتحسين جودة النمذجة التوليدية في إطار نظري للألعاب، دون الحاجة إلى معرفة إحصائية واسعة والافتراضات حول توزيعات بيانات المدخلات. على وجه الخصوص، تم تصميم نموذج cDC-GAN الخاص بنا لتعلم التحويلات عبر المجالات بين المدخلات عالية الأبعاد (مثل النفاذية) وأزواج المخرجات (مثل تشبعات المرحلة)، مع القدرة على دمج معلومات الشرط (مثل وقت التنبؤ). كحالة استخدام، نستعرض أداء cDC-GAN في توقع هجرة سحابة ثاني أكسيد الكربون (CO2) في خزانات تخزين الكربون غير المتجانسة، والتي لها أهمية عددية وعملية نظرًا لمتطلبات التخزين الآمن التي أصبحت مفروضة الآن في العديد من البلدان. تظهر النتائج أن cDC-GAN تحقق دقة عالية في التنبؤ بأنماط التطور المكاني والزماني لسحابة CO2 المحقونة، مقارنةً مع النتائج الأصلية التي تم الحصول عليها باستخدام محاكي خزانات تركيبية. يبقى أداء نماذج cDC-GAN، المدربة باستخدام نفس عدد عينات التدريب، قويًا نسبيًا عندما يتم زيادة مستوى عدم التجانس المكاني. نموذج cDC-GAN لدينا يعتمد على الأنماط وغير محدود بالفيزياء الأساسية. وبالتالي، فإنه يوفر إطارًا عامًا لتطوير النماذج البديلة، وإجراء تحليلات عدم اليقين لمجموعة واسعة من النماذج المعتمدة على الفيزياء المستخدمة في تطبيقات استكشاف الطاقة تحت الأرض والمياه الجوفية.
درس زونغ وآخرون (الثلاثاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: