Deep Learning Surrogates for Real-Time Gas Emission Inversion

要約

一時的な大気条件下での温室効果ガス排出量のリアルタイムの識別と定量化は、環境監視における重要な課題です。
動的なフローフィールドでの排出速度とソース位置の両方のベイジアン推論を実行するために、シーケンシャルモンテカルロアルゴリズム内に計算流体力学（CFD）の深い学習代理を埋め込む空間的反転フレームワークを導入します。
高忠実度のCFD出力で訓練された多層パーセプトロンで費用のかかる数値ソルバーを置き換えることにより、私たちの代理は、ガス分散の空間的不均一性と時間的進化をキャプチャし、ほぼ実践的な時間の予測を提供します。
Chilboltonメタンリリースデータセットの検証は、完全なCFDソルバーとガウスプルームモデルに匹敵する精度を示していますが、マグニチュードの順調なランタイムを実現します。
シミュレートされた妨害されたフローシナリオの下でのさらなる実験は、複雑な環境での堅牢性を確認します。
この作業は、物理的な忠実度と計算の実現可能性と調整され、環境および科学モデリングにおける産業排出量モニタリングおよびその他の時間に敏感な時空間反転タスクのためのスケーラブルなソリューションを提供します。

要約(オリジナル)

Real-time identification and quantification of greenhouse-gas emissions under transient atmospheric conditions is a critical challenge in environmental monitoring. We introduce a spatio-temporal inversion framework that embeds a deep-learning surrogate of computational fluid dynamics (CFD) within a sequential Monte Carlo algorithm to perform Bayesian inference of both emission rate and source location in dynamic flow fields. By substituting costly numerical solvers with a multilayer perceptron trained on high-fidelity CFD outputs, our surrogate captures spatial heterogeneity and temporal evolution of gas dispersion, while delivering near-real-time predictions. Validation on the Chilbolton methane release dataset demonstrates comparable accuracy to full CFD solvers and Gaussian plume models, yet achieves orders-of-magnitude faster runtimes. Further experiments under simulated obstructed-flow scenarios confirm robustness in complex environments. This work reconciles physical fidelity with computational feasibility, offering a scalable solution for industrial emissions monitoring and other time-sensitive spatio-temporal inversion tasks in environmental and scientific modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google