Javascript must be enabled to continue!
Parameterization using generative adversarial networks for control space reduction in data assimilation
View through CrossRef
Paramétrisation avec réseaux générateurs antagonistes pour la réduction des espaces de contrôles en assimilation de données
Ce travail porte sur l’utilisation des réseaux de neurones génératifs et plus particulièrement les GANs (generative adversarial networks) pour la paramétrisation dans le cadre des méthodes d’ensemble pour l’assimilation de données. L’assimilation de données permet d’estimer les paramètres initiaux ou l’état d’un modèle physique à l’aide d’observations en prenant en compte les incertitudes associées à ces dernières. Le filtre de Kalman donne une solution analytique lorsque le modèle physique est linéaire et les différentes sources d’erreurs suivent une distribution Gaussienne. Les méthodes d’ensemble permettent d’appliquer cette méthode à des systèmes physiques non-linéaires représentés par des modèles numériques. L’estimation de paramètres ne suivant pas une distribution Gaussienne reste un challenge dans beaucoup de domaines. Des méthodes de paramétrisation sont alors mises en place afin de transformer ces paramètres en de nouveaux, plus adaptés aux hypothèses des méthodes ensemblistes. Une autre limitation est la cohérence des paramètres estimés et l’utilisation d’information a priori comme les contraintes physiques que les paramètres doivent respecter. En effet, les paramètres estimés peuvent ne pas avoir de sens physique comme une température négative par exemple. Les méthodes de paramétrisation sont également utilisées afin de limiter ce phénomène. Enfin un dernier avantage de ces méthodes est qu’elles permettent de limiter le nombre de paramètres en réduisant leur dimension après transformation. Dans cette étude une nouvelle méthode de paramétrisation utilisant les GANs, appliqués à la caractérisation de réservoirs souterrains est présentée. Lors de l’estimation à l’aide de méthodes d’ensemble de la disposition des différents types de roches au sein d’un réservoir, il est courant d’obtenir des formes d’hétérogénéités géologiques irréalistes. Ces hétérogénéités sont caractérisées par des formes et des motifs particuliers issus de phénomènes physiques connus. De plus, le type de roche n’est pas un paramètre continu respectant l’hypothèse de distribution Gaussienne et est de grande dimension pour des applications industrielles. L’utilisation d’une méthode de paramétrisation est alors requise, mais la conservation du réalisme géologique par ces dernières reste soit trop peu réaliste, soit trop coûteuse numériquement. Le GAN étant une technique issue des méthodes d’apprentissage automatique et ayant récemment gagné en notoriété pour sa capacité à pouvoir apprendre et générer des images complexes. Il constitue un choix prometteur pour son application dans le domaine de la caractérisation des réservoirs souterrains. Cette étude présente les résultats obtenus sur un cas de réservoir simplifié comportant des hétérogénéités en forme de chenaux, particulièrement difficile à paramétriser par les méthodes actuelles. Une seconde application est abordée lors de cette étude portant sur la prédiction des champs atmosphériques à l’aide des méthodes d’assimilation de données. Lors de l’estimation de l’état de l’atmosphère, pour la prédiction météorologique par exemple, il est important de corriger l’état atmosphérique avec de nouvelles observations de manière que les nouveaux champs respectent les équilibres physiques qui régissent la circulation atmosphérique. Quand cela n’est pas le cas, des instabilités numériques peuvent apparaitre lors de la simulation de l’état futur de l’atmosphère, détériorant l’information apportée par les observations. L’utilisation d’un GAN capable d’apprendre les contraintes physiques qui caractérise un champ atmosphérique à l’état d’équilibre peut s’avérer utile. C’est dans ce contexte que la seconde application de cette étude s’inscrit. Ce travail vise à présenter les performances de la paramétrisation du GAN et son applicabilité multidisciplinaire aux lecteurs qui ne sont pas familiers avec le domaine de l’apprentissage profond.
Title: Parameterization using generative adversarial networks for control space reduction in data assimilation
Description:
Paramétrisation avec réseaux générateurs antagonistes pour la réduction des espaces de contrôles en assimilation de données
Ce travail porte sur l’utilisation des réseaux de neurones génératifs et plus particulièrement les GANs (generative adversarial networks) pour la paramétrisation dans le cadre des méthodes d’ensemble pour l’assimilation de données.
L’assimilation de données permet d’estimer les paramètres initiaux ou l’état d’un modèle physique à l’aide d’observations en prenant en compte les incertitudes associées à ces dernières.
Le filtre de Kalman donne une solution analytique lorsque le modèle physique est linéaire et les différentes sources d’erreurs suivent une distribution Gaussienne.
Les méthodes d’ensemble permettent d’appliquer cette méthode à des systèmes physiques non-linéaires représentés par des modèles numériques.
L’estimation de paramètres ne suivant pas une distribution Gaussienne reste un challenge dans beaucoup de domaines.
Des méthodes de paramétrisation sont alors mises en place afin de transformer ces paramètres en de nouveaux, plus adaptés aux hypothèses des méthodes ensemblistes.
Une autre limitation est la cohérence des paramètres estimés et l’utilisation d’information a priori comme les contraintes physiques que les paramètres doivent respecter.
En effet, les paramètres estimés peuvent ne pas avoir de sens physique comme une température négative par exemple.
Les méthodes de paramétrisation sont également utilisées afin de limiter ce phénomène.
Enfin un dernier avantage de ces méthodes est qu’elles permettent de limiter le nombre de paramètres en réduisant leur dimension après transformation.
Dans cette étude une nouvelle méthode de paramétrisation utilisant les GANs, appliqués à la caractérisation de réservoirs souterrains est présentée.
Lors de l’estimation à l’aide de méthodes d’ensemble de la disposition des différents types de roches au sein d’un réservoir, il est courant d’obtenir des formes d’hétérogénéités géologiques irréalistes.
Ces hétérogénéités sont caractérisées par des formes et des motifs particuliers issus de phénomènes physiques connus.
De plus, le type de roche n’est pas un paramètre continu respectant l’hypothèse de distribution Gaussienne et est de grande dimension pour des applications industrielles.
L’utilisation d’une méthode de paramétrisation est alors requise, mais la conservation du réalisme géologique par ces dernières reste soit trop peu réaliste, soit trop coûteuse numériquement.
Le GAN étant une technique issue des méthodes d’apprentissage automatique et ayant récemment gagné en notoriété pour sa capacité à pouvoir apprendre et générer des images complexes.
Il constitue un choix prometteur pour son application dans le domaine de la caractérisation des réservoirs souterrains.
Cette étude présente les résultats obtenus sur un cas de réservoir simplifié comportant des hétérogénéités en forme de chenaux, particulièrement difficile à paramétriser par les méthodes actuelles.
Une seconde application est abordée lors de cette étude portant sur la prédiction des champs atmosphériques à l’aide des méthodes d’assimilation de données.
Lors de l’estimation de l’état de l’atmosphère, pour la prédiction météorologique par exemple, il est important de corriger l’état atmosphérique avec de nouvelles observations de manière que les nouveaux champs respectent les équilibres physiques qui régissent la circulation atmosphérique.
Quand cela n’est pas le cas, des instabilités numériques peuvent apparaitre lors de la simulation de l’état futur de l’atmosphère, détériorant l’information apportée par les observations.
L’utilisation d’un GAN capable d’apprendre les contraintes physiques qui caractérise un champ atmosphérique à l’état d’équilibre peut s’avérer utile.
C’est dans ce contexte que la seconde application de cette étude s’inscrit.
Ce travail vise à présenter les performances de la paramétrisation du GAN et son applicabilité multidisciplinaire aux lecteurs qui ne sont pas familiers avec le domaine de l’apprentissage profond.
Related Results
ProDef-MDS: A Proactive Defense Mechanism Protecting Malware Detection Systems from Adversarial Attacks
ProDef-MDS: A Proactive Defense Mechanism Protecting Malware Detection Systems from Adversarial Attacks
Malware threatens cybersecurity by enabling data theft, unauthorized access, and extortion. Traditional malware detection systems (MDS) struggle with the increasing volume and comp...
Seditious Spaces
Seditious Spaces
The title ‘Seditious Spaces’ is derived from one aspect of Britain’s colonial legacy in Malaysia (formerly Malaya): the Sedition Act 1948. While colonial rule may seem like it was ...
A dual-pass carbon cycle data assimilation system to estimate surface CO<sub>2</sub> fluxes and 3D atmospheric CO<sub>2</sub> concentrations from spaceborne measurements of atmospheric CO<sub&
A dual-pass carbon cycle data assimilation system to estimate surface CO<sub>2</sub> fluxes and 3D atmospheric CO<sub>2</sub> concentrations from spaceborne measurements of atmospheric CO<sub&
Abstract. Here we introduce a new version of the carbon cycle data assimilation system, Tan-Tracker (v1), which is based on the Nonlinear Least Squares Four-dimensional Variational...
Nonlinear optimal control for robotic exoskeletons with electropneumatic actuators
Nonlinear optimal control for robotic exoskeletons with electropneumatic actuators
Purpose
To provide high torques needed to move a robot’s links, electric actuators are followed by a transmission system with a high transmission rate. For instance, gear ratios of...
Efficient ensemble data assimilation for coupled models with the Parallel Data Assimilation Framework: example of AWI-CM (AWI-CM-PDAF 1.0)
Efficient ensemble data assimilation for coupled models with the Parallel Data Assimilation Framework: example of AWI-CM (AWI-CM-PDAF 1.0)
Abstract. Data assimilation integrates information from observational measurements with numerical models. When used with coupled models of Earth system compartments, e.g., the atmo...
Evaluating need for adversarial training data given algorithmic defense methods against adversarial attacks
Evaluating need for adversarial training data given algorithmic defense methods against adversarial attacks
An adversarial attack is a modification to the pixels of an image for the purpose of making a machine learning system misclassify the image. The foremost defense against adversaria...
Efficient Defense Against First Order Adversarial Attacks on Convolutional Neural Networks
Efficient Defense Against First Order Adversarial Attacks on Convolutional Neural Networks
Machine learning models, especially neural networks, are vulnerable to adversarial attacks, where inputs are purposefully altered to induce incorrect predictions. These adversarial...
Variational assimilation of streamflow into operational distributed hydrologic models: effect of spatiotemporal adjustment scale
Variational assimilation of streamflow into operational distributed hydrologic models: effect of spatiotemporal adjustment scale
Abstract. State updating of distributed rainfall-runoff models via streamflow assimilation is subject to overfitting because large dimensionality of the state space of the model ma...

