Characterization of discrete fracture networks with deep-learning based hydrogeophysical inversion

•A deep-learning based parameterization method is utilized to map high-dimensional fracture parameters space into low-dimensional latent variables.•A joint inversion framework (CVAE-ESMDA) is developed to characterize the fracture networks.•Multiple data types, including pressure and self-potential...

Celý popis

Podrobná bibliografie

Vydáno v:	Journal of hydrology (Amsterdam) Ročník 631; s. 130819
Hlavní autoři:	Deng, Yaping, Kang, Xueyuan, Ma, Haichun, Qian, Jiazhong, Ma, Lei, Luo, Qiankun
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 01.03.2024
Témata:	Convolutional variational autoencoder Data assimilation data collection Deep learning Fracture network groundwater flow Hydrogeophysical inversion solutes uncertainty Deep learning Hydrogeophysical inversion Fracture network Convolutional variational autoencoder Data assimilation
ISSN:	0022-1694
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!