論文の概要: A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media
- arxiv url: http://arxiv.org/abs/2105.02652v1
- Date: Fri, 30 Apr 2021 02:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 23:59:39.174956
- Title: A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media
- Title（参考訳）: 多孔質媒質中の多相流シミュレーションのための勾配型深層ニューラルネットワークモデル
- Authors: Bicheng Yan, Dylan Robert Harp, Rajesh J. Pawar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5791732557395552
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Simulation of multiphase flow in porous media is crucial for the effective
management of subsurface energy and environment related activities. The
numerical simulators used for modeling such processes rely on spatial and
temporal discretization of the governing partial-differential equations (PDEs)
into algebraic systems via numerical methods. These simulators usually require
dedicated software development and maintenance, and suffer low efficiency from
a runtime and memory standpoint. Therefore, developing cost-effective,
data-driven models can become a practical choice since deep learning approaches
are considered to be universal approximations. In this paper, we describe a
gradient-based deep neural network (GDNN) constrained by the physics related to
multiphase flow in porous media. We tackle the nonlinearity of flow in porous
media induced by rock heterogeneity, fluid properties and fluid-rock
interactions by decomposing the nonlinear PDEs into a dictionary of elementary
differential operators. We use a combination of operators to handle rock
spatial heterogeneity and fluid flow by advection. Since the augmented
differential operators are inherently related to the physics of fluid flow, we
treat them as first principles prior knowledge to regularize the GDNN training.
We use the example of pressure management at geologic CO2 storage sites, where
CO2 is injected in saline aquifers and brine is produced, and apply GDNN to
construct a predictive model that is trained from physics-based simulation data
and emulates the physics process. We demonstrate that GDNN can effectively
predict the nonlinear patterns of subsurface responses including the
temporal-spatial evolution of the pressure and saturation plumes. GDNN has
great potential to tackle challenging problems that are governed by highly
nonlinear physics and enables development of data-driven models with higher
fidelity.
- Abstract（参考訳）: 多孔質媒質中の多相流のシミュレーションは地下エネルギーと環境関連活動の効果的管理に不可欠である。
このような過程をモデル化するために用いられる数値シミュレータは、支配的部分微分方程式(pdes)の数値的手法による代数的系への空間的および時間的離散化に依存する。
これらのシミュレータは通常、専用のソフトウェア開発とメンテナンスを必要とし、実行時とメモリの観点から低い効率を損なう。
したがって、ディープラーニングのアプローチは普遍的な近似と見なされるため、コスト効率の高いデータ駆動モデルの開発が実用的な選択となる。
本稿では多孔質媒体の多相流に関する物理に制約された勾配型ディープニューラルネットワーク(GDNN)について述べる。
非線形pdesを初等微分作用素の辞書に分解することにより,多孔質媒質中の流れの非線形性,流体物性,流体-岩石相互作用に挑戦する。
我々は,岩盤の空間的不均一性と対流による流体流動を演算子の組み合わせで処理する。
拡張微分作用素は流体の物理に本質的に関係しているため、GDNNトレーニングを正則化するための知識前の第一原理として扱う。
本研究では, 塩水帯水層にCO2を注入し, 塩水帯水層にブラインを発生させた地質CO2貯蔵地における圧力管理の例を用いて, 物理シミュレーションデータからトレーニングした予測モデルを構築し, 物理過程をエミュレートする。
GDNNは, 圧力と飽和プルームの時空間進化を含む地下応答の非線形パターンを効果的に予測できることを実証した。
GDNNは、高非線形物理によって支配される課題に取り組み、より忠実なデータ駆動モデルの開発を可能にする大きな可能性を秘めている。
関連論文リスト
- Graph Neural Networks and Differential Equations: A hybrid approach for data assimilation of fluid flows [0.0]
本研究では,グラフニューラルネットワーク(GNN)とReynolds-Averaged Navier Stokes(RANS)方程式を組み合わせた新しいハイブリッド手法を提案する。
その結果, 純粋なデータ駆動モデルと比較して, 再構成平均流の精度は著しく向上した。
論文 参考訳（メタデータ） (2024-11-14T14:31:52Z) - Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。
CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。
グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
論文 参考訳（メタデータ） (2023-07-10T09:59:35Z) - Learning Generic Solutions for Multiphase Transport in Porous Media via
the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。
我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文 参考訳（メタデータ） (2023-07-03T21:10:30Z) - 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) - 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) - 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) - Neural Ordinary Differential Equations for Data-Driven Reduced Order
Modeling of Environmental Hydrodynamics [4.547988283172179]
流体シミュレーションにおける神経常微分方程式の利用について検討する。
テスト問題としては,シリンダー周辺の非圧縮性流れや河川・河口系における浅水流体力学の現実的応用などが挙げられる。
本研究では,ニューラル ODE が潜在空間力学の安定かつ正確な進化のためのエレガントな枠組みを提供することを示唆する。
論文 参考訳（メタデータ） (2021-04-22T19:20:47Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。