論文の概要: Modeling nanoconfinement effects using active learning
- arxiv url: http://arxiv.org/abs/2005.02587v2
- Date: Thu, 7 May 2020 02:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 06:34:12.497873
- Title: Modeling nanoconfinement effects using active learning
- Title(参考訳): アクティブラーニングによるナノ閉じ込め効果のモデル化
- Authors: Javier E. Santos, Mohammed Mehana, Hao Wu, Masa Prodanovic, Michael J.
Pyrcz, Qinjun Kang, Nicholas Lubbers, Hari Viswanathan
- Abstract要約: シェール層のナノ孔内におけるガス分子の空間的配置の予測は, 流体流動予測や炭化水素貯留量の推定に不可欠である。
本稿では,ナノ孔内の気体の分子配置を予測する物理に基づく深層学習サロゲートモデルの構築と訓練について述べる。
- 参考スコア(独自算出の注目度): 1.58501955991843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the spatial configuration of gas molecules in nanopores of shale
formations is crucial for fluid flow forecasting and hydrocarbon reserves
estimation. The key challenge in these tight formations is that the majority of
the pore sizes are less than 50 nm. At this scale, the fluid properties are
affected by nanoconfinement effects due to the increased fluid-solid
interactions. For instance, gas adsorption to the pore walls could account for
up to 85% of the total hydrocarbon volume in a tight reservoir. Although there
are analytical solutions that describe this phenomenon for simple geometries,
they are not suitable for describing realistic pores, where surface roughness
and geometric anisotropy play important roles. To describe these, molecular
dynamics (MD) simulations are used since they consider fluid-solid and
fluid-fluid interactions at the molecular level. However, MD simulations are
computationally expensive, and are not able to simulate scales larger than a
few connected nanopores. We present a method for building and training
physics-based deep learning surrogate models to carry out fast and accurate
predictions of molecular configurations of gas inside nanopores. Since training
deep learning models requires extensive databases that are computationally
expensive to create, we employ active learning (AL). AL reduces the overhead of
creating comprehensive sets of high-fidelity data by determining where the
model uncertainty is greatest, and running simulations on the fly to minimize
it. The proposed workflow enables nanoconfinement effects to be rigorously
considered at the mesoscale where complex connected sets of nanopores control
key applications such as hydrocarbon recovery and CO2 sequestration.
- Abstract(参考訳): シェール形成のナノポーラス中のガス分子の空間配置の予測は, 流動予測と炭化水素予備量推定に不可欠である。
これらの密な形成において鍵となる課題は、孔径の大部分が50nm未満であることである。
このスケールでは、流体-固体相互作用の増大によるナノコンフィニメント効果によって流体特性が影響を受ける。
例えば、気孔壁へのガスの吸着は、タイトな貯水池の炭化水素総量の最大85%を占める可能性がある。
この現象を単純な測地のために記述する解析解はあるが、表面粗さと幾何学的異方性が重要な役割を果たす現実的な孔を記述するには適していない。
これらを説明するために、分子レベルでの流体-固体および流体-流体相互作用を考えるため、分子動力学(MD)シミュレーションが用いられる。
しかし、mdシミュレーションは計算コストが高く、いくつかの接続されたナノ孔よりも大きなスケールをシミュレートできない。
本稿では,ナノ孔内の気体の分子配置を高速かつ正確に予測する物理に基づく深層学習サロゲートモデルを構築・訓練する手法を提案する。
ディープラーニングモデルのトレーニングには計算コストのかかる広範なデータベースが必要であるため、アクティブラーニング(AL)を採用しています。
ALは、モデルの不確実性が最も大きい場所を判断し、それを最小化するためにフライでシミュレーションを実行することで、包括的な高忠実度データのセットを作成するオーバーヘッドを低減する。
提案したワークフローは, 炭化水素回収やCO2回収などの複雑なナノ孔制御キーとなるメソスケールにおいて, ナノコンフィニッション効果を厳格に考慮することができる。
関連論文リスト
- Disentangling CO Chemistry in a Protoplanetary Disk Using Explanatory
Machine Learning Techniques [0.0]
原始惑星系円盤の分子量は、局所的な物理的条件に非常に敏感である。
機械学習を用いてこれらの化学および物理的相互依存を理解するための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-12-08T18:59:22Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Predictive Scale-Bridging Simulations through Active Learning [43.48102250786867]
我々は,局所的な微粒なシミュレーションを用いて粗大な流体力学を解析するために,能動的学習手法を用いる。
提案手法は3つの課題に対処する。連続体粗大軌道の予測,大規模計算からの粗大軌道の動的更新,ニューラルネットワークモデルの不確かさの定量化である。
論文 参考訳(メタデータ) (2022-09-20T15:58:50Z) - 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) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z)
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。