Enhancing Effective Thermal Conductivity Predictions in Digital Porous Media Using Transfer Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Porous media beneath the Earth’s surface, including aquifers, oil and gas reservoirs, and geothermal systems, play a crucial role in various natural resource management and environmental engineering applications. The study of their physical properties, particularly thermo-physical properties like effective thermal conductivity (ETC), is essential for enhancing the efficiency of subsurface engineering technologies including nuclear waste disposal, geothermal energy utilization, and underground thermal energy storage. Traditionally, determining ETC has relied on either simplified empirical models, which often lack accuracy, or sophisticated laboratory experiments, which are time-consuming and resource intensive. The advent of three-dimensional (3D) imaging technologies has enabled digital characterization of subsurface media, but direct numerical simulations of ETC remain computationally prohibitive. In response to these challenges, we introduce a novel machine learning framework that leverages transfer learning to enhance the prediction of ETC in digital rock samples. Our approach utilizes state-of-the-art convolutional neural networks (CNNs), pre-trained on extensive datasets, and applies them to various porous media samples, including Berea sandstone, Bentheimer sandstone, and Ketton limestone. By employing transfer learning, we demonstrate that our models can achieve high prediction accuracy with significantly reduced training time, computational power, and data requirements. This study highlights the potential of transfer learning to advance the efficiency and accuracy of digital rock analysis, offering a promising tool for the rapid and reliable characterization of subsurface properties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle