Estimation of hydraulic conductivity fields through generative adversarial networks and bayesian inference
Hidrolik iletkenlik alanlarinin üretken çekişmeli ağlar ve bayesci çikarim ile tahmini
- Tez No: 947795
- Danışmanlar: PROF. DR. AYŞEGÜL AKSOY, PROF. DR. PETER KİTANİDİS
- Tez Türü: Doktora
- Konular: Çevre Mühendisliği, Environmental Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 216
Özet
Yeraltının doğru karakterizasyonu, yeraltı suyu temininden karbon yakalamaya kadar birçok mühendislik uygulaması için kritik öneme sahiptir. Evrik modelleme, tahmin edilmesi gereken çok sayıda parametre ve yeraltının heterojenliği nedeniyle genellikle kötü pozlanmıştır. Geleneksel çözümler koşulların sadeleştirilmesine dayanmaktadır, ancak derin öğrenme algoritmaları gibi yeni ortaya çıkan veri ağırlıklı yöntemler yeraltının yapısı hakkında daha gerçekçi varsayımlarda bulunabilir. Bu iki aşamalı çalışma, sentetik hidrolik iletkenlik alanlarının doğru modellenmesi için üretken çekişmeli ağları (GAN) kullanmaktadır. İlk aşama, 1 boyutlu akiferler için metodoloji geliştirmeye odaklanmakta ve evrik modelleme için yeraltı suyu yüksekliği verisini kullanmaktadır. GAN sonuçlarının koşullandırılması, takip eden Bayesci sonuç çıkarımı tabanlı Markov Zinciri Monte Carlo (MCMC) algoritması ile gerçekleştirilmektedir. Bu aşamada, karşılaştırma bazı olarak ensemble Kalman filtresi (EnKF) de kullanılmıştır. İkinci faz geliştirilen metodolojiyi 3 boyuta genişletmekte ve hidrolik iletkenliğin yüksek çözünürlükte görüntülenmesini amaçlamaktadır. Bu aşamada evrişimli sinir ağları ve koşullu GAN (cGAN) olarak iki ek derin öğrenme modeli de denenmektedir. Ayrıca, MCMC ve cGAN'ın koşullandırma performansları karşılaştırılmaktadır. Her iki aşama için de bulgular, MCMC koşullandırmalı GAN ve cGAN'ın hedef alanları yüksek doğrulukla yeniden üretebildiğini göstermektedir. İkinci aşama sonuçları ayrıca cGAN'ın bu çalışma kapsamında MCMC'den daha iyi koşullandırma yapabildiğini işaret etmektedir. Bu araştırma, akifer modellemesinde üretken derin öğrenme modellerinin etkileyici performansını ortaya koymaktadır. Artan işlemci gücü ve verilere erişim imkanları ile birlikte bu tür yaklaşımların kötü pozlanmış evrik modellerin çözümünde sıklıkla kullanılacağı beklenmektedir.
Özet (Çeviri)
Accurate characterization of the subsurface is critical for many engineering applications, ranging from groundwater supply to carbon sequestration. Mostly, inverse modeling is ill-posed due to numerous parameters to estimate and heterogeneity of the subsurface. Traditional solutions rely on simplification of conditions, however, emerging data heavy methods like deep learning algorithms can make more realistic assumptions about subsurface structure. This two-phase work employs generative adversarial networks (GAN) for accurate modelling of simulated hydraulic conductivity fields. First phase focuses on methodology development for 1-D aquifers and utilizes groundwater head data for inversion. Conditioning of GAN results is subsequently achieved through the Bayesian Inference based Markov Chain Monte Carlo (MCMC) algorithm. This phase also utilizes the ensemble Kalman filter (EnKF) method as a basis of comparison. Second phase expands the developed methodology to 3-D and aims to map the distribution of hydraulic conductivity in high resolution. Phase two also tests two additional deep learning models, convolutional neural networks and conditional GAN (cGAN). Furthermore, it compares the conditioning performances of MCMC and cGAN. For both phases, results show that MCMC conditioned GAN and cGAN can create highly accurate reconstructions of target fields. Results from the second phase additionally indicate that cGAN can achieve better conditioning than MCMC within the scope of this study. This work demonstrates the impressive performance of generative deep learning models in aquifer modelling. With increasing computing power and availability of data, such models are expected to become the established approach in handling ill-posed inversions.
Benzer Tezler
- A review and evaluation of development in exploration, production, reserves estimation, and research efforts for shale gas and oil
Şeyl gazı ve petrolü için arama, üretim, rezerv kestirimive araştırma çalışmalarının incelenmesi ve değerlendirilmesi
OSMAN MOHAMMED
Yüksek Lisans
İngilizce
2015
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. İBRAHİM METİN MIHÇAKAN
- Prefabrik düşey drenler (PDD) ile zemin iyileştirme yönteminde prefabrik düşey drenin performansını etkileyen faktörlerin belirlenmesi
Identification of the factors affecting the performance of prefabricated vertical drains in ground improvement with prefabricated vertical drains
TAYFUN ŞENGÜL
Doktora
Türkçe
2010
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BERİLGEN
PROF. DR. KUTAY ÖZAYDIN
- Geçirimsizlik perde ve şilteleri için kullanılan zeminlerin iyileştirilmesi
Improvement of soils used in walls, liners and covers for waste disposal
ŞULE KAHYA
- RETC (Retention Curve) bilgisayar modelinde kullanılan parametreler ve tahmin değerlerinin uzaysal değişkenliği
Spatial variability of parameters used RECT (RETention Curve) computer program and their predicted values
TURGUT KUTLU
- Estimaton of karstic spring discharge parameters by using stochastic methods
Başlık çevirisi yok
SALİH BİLGİLİBAŞLAR