#深度学习# 【斯坦福团队研发新型深度学习模型，能预测碳捕集引起的地表位移】
近日，美国#斯坦福大学# 团队利用深度学习中的计算机视觉技术，打造出一款新型深度学习模型。
从地下地层结构图像出发，他们成功预测了二氧化碳捕集与封存技术（CCS，Carbon Capture and Sequestration）引起的地表位移。
相比数值模拟，该方法可以在精度略有损失的情况下，大幅提升预测效率，更加经济和高效。
此外，所训练的深度学习模型还可以推广用于不同的地层条件中，能为相关 CCS 项目提供有力的支持。
本次研究的出发点，正是希望突破当前 CCS 面临的计算瓶颈，找到一条更加高效、更加实用的路径，助力 CCS 技术的工程化应用。
通过探索#计算机视觉# 在 CCS 领域的崭新应用，研究者们期望能够加速 CCS 的推广普及，为应对全球气候变化贡献力量。
未来几年内，该成果有望在以下几个方面得到具体应用：
其一，可直接用于指导 CCS 项目的选址规划。
通过输入候选场地的地层结构图像，可以快速预测不同方案下的地表位移情况，让 CCS 项目决策者更加高效地筛选最优的注入点位置和注入参数。
戳链接查看详情：
斯坦福团队研发新型深度学习模型，能预测碳捕集引起的地表位移
近日，美国#斯坦福大学# 团队利用深度学习中的计算机视觉技术，打造出一款新型深度学习模型。
从地下地层结构图像出发，他们成功预测了二氧化碳捕集与封存技术（CCS，Carbon Capture and Sequestration）引起的地表位移。
相比数值模拟，该方法可以在精度略有损失的情况下，大幅提升预测效率，更加经济和高效。
此外，所训练的深度学习模型还可以推广用于不同的地层条件中，能为相关 CCS 项目提供有力的支持。
本次研究的出发点，正是希望突破当前 CCS 面临的计算瓶颈，找到一条更加高效、更加实用的路径，助力 CCS 技术的工程化应用。
通过探索#计算机视觉# 在 CCS 领域的崭新应用，研究者们期望能够加速 CCS 的推广普及，为应对全球气候变化贡献力量。
未来几年内，该成果有望在以下几个方面得到具体应用：
其一，可直接用于指导 CCS 项目的选址规划。
通过输入候选场地的地层结构图像，可以快速预测不同方案下的地表位移情况，让 CCS 项目决策者更加高效地筛选最优的注入点位置和注入参数。
戳链接查看详情：
斯坦福团队研发新型深度学习模型，能预测碳捕集引起的地表位移
