論文の概要: Improving Deep Learning Performance for Predicting Large-Scale
Porous-Media Flow through Feature Coarsening
- arxiv url: http://arxiv.org/abs/2105.03752v1
- Date: Sat, 8 May 2021 17:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 15:11:17.793452
- Title: Improving Deep Learning Performance for Predicting Large-Scale
Porous-Media Flow through Feature Coarsening
- Title（参考訳）: 特徴粗化による大規模多孔質流予測のためのディープラーニング性能の向上
- Authors: Bicheng Yan, Dylan Robert Harp, Bailian Chen, Rajesh J. Pawar
- Abstract要約: このレターは、大規模な3次元多孔質媒質中の流体の流れとして圧力変化を予測するための深層学習(dl)ワークフローを記述する。
物理シミュレーションデータからトレーニングしたDL手法を用いて,フィールドスケールの3次元地質CO貯留層における圧力場を予測する。
- 参考スコア（独自算出の注目度）: 1.4050836886292868
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Physics-based simulation for fluid flow in porous media is a computational
technology to predict the temporal-spatial evolution of state variables (e.g.
pressure) in porous media, and usually requires high computational expense due
to its nonlinearity and the scale of the study domain. This letter describes a
deep learning (DL) workflow to predict the pressure evolution as fluid flows in
large-scale 3D heterogeneous porous media. In particular, we apply feature
coarsening technique to extract the most representative information and perform
the training and prediction of DL at the coarse scale, and further recover the
resolution at the fine scale by 2D piecewise cubic interpolation. We validate
the DL approach that is trained from physics-based simulation data to predict
pressure field in a field-scale 3D geologic CO_2 storage reservoir. We evaluate
the impact of feature coarsening on DL performance, and observe that the
feature coarsening can not only decrease training time by >74% and reduce
memory consumption by >75%, but also maintains temporal error <1.5%. Besides,
the DL workflow provides predictive efficiency with ~1400 times speedup
compared to physics-based simulation.
- Abstract（参考訳）: 多孔質媒質中の流体流動の物理シミュレーションは、状態変数の時間空間的進化を予測するための計算技術である。
圧力) 多孔質媒質中では, 通常は非線形性や研究領域の規模により高い計算コストが要求される。
本文では, 大規模3次元多孔質媒質中の流体の流れとして圧力変化を予測するための深層学習(DL)ワークフローについて述べる。
特に,最も代表的な情報を抽出し,粗いスケールでDLのトレーニングと予測を行い,さらに2次元立方体補間により微細スケールでの分解能を復元する特徴粗化手法を適用した。
物理シミュレーションデータからトレーニングしたDL手法を用いて,フィールドスケールの3次元地質CO_2貯留層における圧力場を予測する。
我々は,特徴粗化がDL性能に与える影響を評価し,特徴粗化がトレーニング時間を74%削減し,メモリ消費を75%削減するだけでなく,時間誤差を1.5%維持することを示した。
さらに、DLワークフローは物理ベースのシミュレーションに比べて約1400倍のスピードアップで予測効率を提供する。
関連論文リスト
- ALOcc: Adaptive Lifting-based 3D Semantic Occupancy and Cost Volume-based Flow Prediction [89.89610257714006]
既存の手法は、これらのタスクの要求に応えるために高い精度を優先する。
本稿では,3次元セマンティック占有率予測とフロー推定のための一連の改善点を紹介する。
私たちの純粋な時間的アーキテクチャフレームワークであるALOccは、速度と精度の最適なトレードオフを実現しています。
論文 参考訳（メタデータ） (2024-11-12T11:32:56Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳（メタデータ） (2024-09-11T10:38:30Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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-Informed Vector Quantized Autoencoder for Data Compression of
Turbulent Flow [28.992515947961593]
本研究では,ベクトル量子化に基づく物理インフォームドディープラーニング手法を適用し,乱流から低次元のデータ表現を生成する。
モデルの精度は、統計的・比較的類似度と物理的類似度を用いて評価される。
我々のモデルは、平均二乗誤差(MSE)が$O(10-3)$のCR$=85$と、非常に小さなスケールを除いて流れの統計を忠実に再現する予測を提供する。
論文 参考訳（メタデータ） (2022-01-10T19:55:50Z) - Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic
Turbulence via Deep Sequence Learning Models [24.025975236316842]
最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。
モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
論文 参考訳（メタデータ） (2021-12-07T03:33:39Z) - 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) - Predicting Training Time Without Training [120.92623395389255]
我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。
我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。
トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
論文 参考訳（メタデータ） (2020-08-28T04:29:54Z) - ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
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。
論文 参考訳（メタデータ） (2020-04-22T01:55:59Z)
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。