Web Semineri – Transfer öğrenimini bir jeotermal deney alanına uygulama, 28 Temmuz 2023
Oak Ridge Ulusal Laboratuvarı'ndan Dr. Chengping Chai ile bir EGS sahasındaki sismik izleme verilerini işlemek için transfer öğrenmenin kullanımı hakkındaki bu harika semineri kaçırmayın.
ThinkGeoEnergy ve Enerchange arasındaki bir ortaklık olan düzenli Jeotermal Odak web semineri serisinin bir parçası olarak, Oak Ridge Ulusal Laboratuvarı’ndan bir Jeofizikçi olan Chengping Chai’yi ağırlamaktan gurur duyuyoruz. Web semineri, “Transfer Öğrenimini Bir Jeotermal Deney Sahasına Uygulamak” konusunda olacaktır.
Tarih: 28 Temmuz 2023
Saat: 15:00 CEST (09:00 EST / 06:00 PST)
Kayıt linki: https://register.gotowebinar.com/register/6567778109847026014
Dr. Chengping Chai, Oak Ridge Ulusal Laboratuvarı’nda bir jeofizikçi ve Ar-Ge yardımcı personelidir. Araştırmaları, 10 metreden 1000 kilometreye kadar çeşitli ölçeklerde 3B çok değişkenli jeofizik görüntüleme, sismolojik problemler için makine öğrenimi uygulamaları, deterministik ve stokastik inversiyon, sismo-akustik izleme, deprem parametre tahmini ve bilimsel görselleştirme üzerine odaklanmaktadır.
Jeotermal enerjinin kullanımını genişletmek için araştırmacılar gelişmiş jeotermal sistemler (EGS) geliştiriyorlar. Sismik izleme, EGS’nin güvenli ve verimli bir şekilde çalışmasını sağlamak için kilit bir bileşendir. Sismik sinyallerin karmaşıklığı ve büyük veri boyutu nedeniyle, geleneksel sismik veri işleme araçları aynı anda yüksek doğruluk ve hızlı hız elde etmekte zorlanıyordu.
Dr Chai’nin araştırma çalışması, bir jeotermal deney sahası için sismik veri işleme iş akışına derin öğrenme ve transfer öğrenme teknikleri getirdi. Bu teknikler, sismik veri işleme için zaman maliyetini büyük ölçüde azaltır ve insan düzeyinde performans sağlar. Araştırmacılar, gelişmiş jeofizik algoritmalarla birleştiğinde, yer altı yapısını görüntüleyebildiler ve transfer öğreniminden türetilmiş ölçümlerle sismik olayları yerleştirebildiler.
Transfer öğrenme tekniği, sismik olay konumlarını iyileştirmemize ve EGS için kırılma sistemlerini daha iyi kısıtlamamıza olanak tanır. Sonuçlar, derin öğrenme ve transfer öğrenmenin jeotermal sistemler için oldukça yararlı olduğunu gösteren bağımsız sondaj gözlemleriyle doğrulandı.