Geo-guided deep learning for spatial downscaling of solute transport in heterogeneous porous media

Resolving solute transport in heterogeneous porous media is a complex task, because of the sparse experimental data and the high computational cost of numerical simulations. This work proposes a unique two-stage deep learning architecture comprising a dual-branch autoencoder and a geo-guided super-r...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	Computers & geosciences Ročník 188; číslo C; s. 105599
Hlavní autoři:	Pawar, Nikhil M., Soltanmohammadi, Ramin, Faroughi, Shirko, Faroughi, Salah A.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United Kingdom Elsevier Ltd 01.06.2024 Elsevier
Témata:	Autoencoders Data imputation domain finite element analysis Generative adversarial network Geo-guided deep learning Heterogeneous porous media permeability signal-to-noise ratio Solute transport solutes Spatial downscaling Super-resolution Super-resolution Solute transport Data imputation Autoencoders Generative adversarial network Spatial downscaling Heterogeneous porous media Geo-guided deep learning
ISSN:	0098-3004, 1873-7803
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!