CarbonNet: How Computer Vision Plays a Role in Climate Change? Application: Learning Geomechanics from Subsurface Geometry of CCS to Mitigate Global Warming

要約

私たちは、コンピュータービジョンを使用して、炭素回収・隔離（CCS）のための地下幾何学画像から地表面の変位を予測する新しいアプローチを紹介します。
CCS はカーボンニュートラル社会の重要な要素であることが証明されています。
しかし、科学者たちは、モデルの規模が大きいことによる高い計算コストや、複雑な物理学を含む事前トレーニング済みモデルを一般化するための制限など、その過程で課題があると見ています。
私たちは、地下ジオメトリ画像からモデルを直接トレーニングすることで、これらの課題に取り組みます。
目標は、炭素注入による地表変位の反応を理解し、訓練されたモデルを利用して CCS プロジェクトの意思決定に情報を提供することです。
画像予測問題である静力学問題に対して複数のモデル（CNN、ResNet、ResNetUNet）を実装します。
次に、ビデオ予測問題である過渡力学シナリオに LSTM とトランスを使用します。
これは、静力学問題では ResNetUNet がそのアーキテクチャのおかげで他のものよりも優れていること、および過渡問題では LSTM が変圧器に匹敵するパフォーマンスを示していることを示しています。
このレポートでは、データセットの概要を詳細に説明し、続いてメソッドのセクションでモデルの説明を進めます。
結果と考察では、重要な学習、観察、今後の研究に関する結論を述べ、この論文を締めくくります。

要約(オリジナル)

We introduce a new approach using computer vision to predict the land surface displacement from subsurface geometry images for Carbon Capture and Sequestration (CCS). CCS has been proved to be a key component for a carbon neutral society. However, scientists see there are challenges along the way including the high computational cost due to the large model scale and limitations to generalize a pre-trained model with complex physics. We tackle those challenges by training models directly from the subsurface geometry images. The goal is to understand the respons of land surface displacement due to carbon injection and utilize our trained models to inform decision making in CCS projects. We implement multiple models (CNN, ResNet, and ResNetUNet) for static mechanics problem, which is a image prediction problem. Next, we use the LSTM and transformer for transient mechanics scenario, which is a video prediction problem. It shows ResNetUNet outperforms the others thanks to its architecture in static mechanics problem, and LSTM shows comparable performance to transformer in transient problem. This report proceeds by outlining our dataset in detail followed by model descriptions in method section. Result and discussion state the key learning, observations, and conclusion with future work rounds out the paper.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google