論文の概要: ML-LBM: Machine Learning Aided Flow Simulation in Porous Media
- arxiv url: http://arxiv.org/abs/2004.11675v1
- Date: Wed, 22 Apr 2020 01:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 17:56:49.444724
- Title: ML-LBM: Machine Learning Aided Flow Simulation in Porous Media
- Title（参考訳）: ML-LBM: 多孔質媒体における機械学習支援フローシミュレーション
- Authors: Ying Da Wang, Traiwit Chung, Ryan T. Armstrong, and Peyman Mostaghimi
- Abstract要約: 多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。
流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。
畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation of fluid flow in porous media has many applications, from the
micro-scale (cell membranes, filters, rocks) to macro-scale (groundwater,
hydrocarbon reservoirs, and geothermal) and beyond. Direct simulation of flow
in porous media requires significant computational resources to solve within
reasonable timeframes. An integrated method combining predictions of fluid flow
(fast, limited accuracy) with direct flow simulation (slow, high accuracy) is
outlined. In the tortuous flow paths of porous media, Deep Learning techniques
based on Convolutional Neural Networks (CNNs) are shown to give an accurate
estimate of the steady state velocity fields (in all axes), and by extension,
the macro-scale permeability. This estimate can be used as-is, or as initial
conditions in direct simulation to reach a fully accurate result in a fraction
of the compute time. A Gated U-Net Convolutional Neural Network is trained on a
datasets of 2D and 3D porous media generated by correlated fields, with their
steady state velocity fields calculated from direct LBM simulation. Sensitivity
analysis indicates that network accuracy is dependent on (1) the tortuosity of
the domain, (2) the size of convolution filters, (3) the use of distance maps
as input, (4) the use of mass conservation loss functions. Permeability
estimation from these predicted fields reaches over 90\% accuracy for 80\% of
cases. It is further shown that these velocity fields are error prone when used
for solute transport simulation. Using the predicted velocity fields as initial
conditions is shown to accelerate direct flow simulation to physically true
steady state conditions an order of magnitude less compute time. Using Deep
Learning predictions (or potentially any other approximation method) to
accelerate flow simulation to steady state in complex pore structures shows
promise as a technique push the boundaries fluid flow modelling.
- Abstract（参考訳）: 多孔質媒質中の流体のシミュレーションは、マイクロスケール(細胞膜、フィルター、岩石)からマクロスケール(地下水、炭化水素貯留層、地熱)に至るまで、多くの応用がある。
多孔質媒質内の流れの直接シミュレーションは、妥当な時間枠で解くために重要な計算資源を必要とする。
流体流の予測(高速・限定的精度)と直接流シミュレーション(スロー・高精度)を組み合わせた統合手法について概説する。
多孔質媒質の逆流経路において,畳み込みニューラルネットワーク(cnns)に基づく深層学習手法を用いて,(全ての軸において)定常速度場を正確に推定し,その拡張によりマクロスケール透過性を示す。
この推定は、計算時間のごく一部で完全に正確な結果に達するために、as-isや直接シミュレーションの初期条件として使うことができる。
相関場によって生成された2次元および3次元多孔質媒体のデータセットと、直接lbmシミュレーションから計算した定常速度場に基づいて、ゲート型u-net畳み込みニューラルネットワークを訓練する。
感度解析により,(1)領域のトルトゥース性,(2)畳み込みフィルタのサイズ,(3)距離マップの入力,(4)質量保存損失関数の利用にネットワーク精度が依存することが示された。
これらの予測フィールドからの透過性推定は、80\%のケースで90\%以上の精度に達する。
さらに, 溶質輸送シミュレーションに使用する場合, これらの速度場は誤差が高いことが示された。
予測速度場を初期条件として用いることで, 物理的に真の定常状態条件への直接流れシミュレーションを, 計算時間の桁違いに加速できることを示した。
複雑な細孔構造において、流れのシミュレーションを定常状態に加速するためにディープラーニング予測(または他の近似法)を用いると、境界流体モデリングを推し進める技術として期待できる。
関連論文リスト
- Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。
我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T15:01:17Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳（メタデータ） (2022-06-29T22:19:03Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳（メタデータ） (2021-07-30T18:43:14Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning accelerated computational fluid dynamics [9.077691121640333]
二次元乱流のモデリングにエンド・ツー・エンド・ディープ・ラーニングを用いて計算流体力学の近似を改良する。
乱流の直接数値シミュレーションと大規模渦シミュレーションでは,各空間次元の8～10倍の微細分解能を持つベースラインソルバと同程度に精度が高い。
提案手法は,機械学習とハードウェアアクセラレータを応用して,精度や一般化を犠牲にすることなくシミュレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2021-01-28T19:10:00Z) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳（メタデータ） (2020-12-22T09:21:40Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳（メタデータ） (2020-06-15T20:59:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。