Revista El Color del Dinero

Bienvenidos a Spain News Today.

Las redes neuronales pueden identificar el dióxido de carbono en las observaciones sísmicas

En esta observación sísmica 3D, un reservorio de dióxido de carbono (CO2) fue calificado como verde por un evaluador humano, pero según un nuevo estudio, los algoritmos de aprendizaje automático pronto pueden reemplazar a las personas para esta tarea. Crédito: DOI: 10.1029/2021JB022524

Eliminación de dióxido de carbono (CO .)2) de la atmósfera terrestre es una herramienta prometedora en la lucha contra el cambio climático. La captura y secuestro de carbono (CCS) utiliza técnicas mecánicas y químicas para eliminar el dióxido de carbono2 del aire, concentrarlo e inyectarlo bajo tierra para su almacenamiento a largo plazo. Aunque la captura y almacenamiento de dióxido de carbono representa actualmente una pequeña parte de los esfuerzos de mitigación del cambio climático, su importancia puede aumentar en las próximas décadas.


Uno de los elementos clave en la captura y almacenamiento de dióxido de carbono es asegurar la captura de monóxido de carbono2 Las concentraciones permanecen almacenadas de forma segura y estable dentro de las unidades geológicas en las que se inyectan, lo que se realiza principalmente a través de series temporales en 3D. observaciones sísmicas. como CO2 Inyectado en los poros de las rocas, altera drásticamente la densidad general de la roca y otras propiedades de masa, produciendo diferentes respuestas a las ondas sísmicas entrantes.

Al observar cómo se desarrollan las características sísmicas del área durante la implementación del proyecto CCS, los científicos e ingenieros pueden monitorear la difusión del dióxido de carbono.2 en toda la región. Sin embargo, la conversión de mapas sísmicos 3D a dióxido de carbono2 Las distribuciones requieren una transformación de datos significativa, así como la interpretación por parte de un técnico. A medida que las herramientas de adquisición de datos y los intérpretes cambian con el tiempo, mantener la coherencia de las series temporales se convierte en un desafío.

Li y Li proponen abordar estas dificultades mediante el uso de un algoritmo de aprendizaje automático para procesar e interpretar los datos. En su nuevo estudio, reclutaron a un red neuronalEl enfoque basado se conoce como U-net, que se desarrolló originalmente para la interpretación de imágenes biomédicas.

En esta observación sísmica 3D animada, aparece dióxido de carbono verde2 El tanque cuenta con un evaluador humano. Según un nuevo estudio, los algoritmos de aprendizaje automático pronto pueden reemplazar a las personas en esta tarea. crédito: Li y Li, 2021, https://doi.org/10.1029/2021JB022524

Los autores entrenaron red Usando un conjunto disponible públicamente de datos sísmicos CCS. Los datos de referencia se obtuvieron en 1994, con algunas notas de seguimiento hasta 2010. Además de datos sísmicos, los datos de seguimiento para 2010 incluyen dióxido de carbono etiquetado2 Áreas derivadas del procesamiento humano tradicional. Debido a que estos datos están muy espaciados en el tiempo, representan observaciones realizadas utilizando diferentes generaciones de tecnología e interpretadas por diferentes técnicos.

Después del entrenamiento, que solo requirió varias horas en una PC de consumo de alta gama, los autores evaluaron su red neuronal usando datos separados. Procesar una sola nota con la red neuronal requiere solo unos segundos. Descubrieron que la red produce resultados de alta calidad que son precisos para las etiquetas enviadas por humanos y consistentes entre las observaciones. Es importante destacar que U-net mantuvo su utilidad incluso frente a discrepancias moderadas causadas por el procesamiento.

A medida que los proyectos CCS aumentan en número y duración, será importante establecer una línea de base consistente para la interpretación de los resultados sísmicos. Este trabajo indica que un enfoque basado en redes neuronales puede proporcionar con éxito esta métrica, aumentando la confiabilidad y la comparabilidad del CO subterráneo.2 notas


DeepShake utiliza el aprendizaje automático para estimar rápidamente la intensidad de los temblores sísmicos


más información:
Bei Li et al, Interpretación de CO basada en redes neuronales a partir de imágenes sísmicas 4D Sleipner, Revista de investigación geofísica: Tierra sólida (2021). doi: 10.1029/2021JB022524

Introducción por Eos

Esta historia ha sido republicada con permiso de AGU Blogs (https://eos.org/), una comunidad de blogs de ciencias de la Tierra y el espacio, organizada por la Unión Geofísica Americana. Leer la historia original aquí.

La frase: Las redes neuronales pueden identificar el dióxido de carbono en observaciones sísmicas (28 de enero de 2022) Obtenido el 28 de enero de 2022 de https://phys.org/news/2022-01-neural-networks-carbon-dioxide-seismic.html

Este documento está sujeto a derechos de autor. Sin perjuicio de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.

READ  El estudio ofrece sugerencias para mantener fresco el aire del aula.