論文の概要: A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media

• arxiv url: http://arxiv.org/abs/2105.09467v1
• Date: Fri, 30 Apr 2021 02:15:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 19:17:03.661106
• Title: A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media
• Title（参考訳）: 3次元多孔質媒質中の多相流シミュレーションのための物理制約深層学習モデル
• Authors: Bicheng Yan, Dylan Robert Harp, Bailian Chen, Rajesh Pawar
• Abstract要約: 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。
• 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: In this work, an efficient physics-constrained deep learning model is developed for solving multiphase flow in 3D heterogeneous porous media. The model fully leverages the spatial topology predictive capability of convolutional neural networks, and is coupled with an efficient continuity-based smoother to predict flow responses that need spatial continuity. Furthermore, the transient regions are penalized to steer the training process such that the model can accurately capture flow in these regions. The model takes inputs including properties of porous media, fluid properties and well controls, and predicts the temporal-spatial evolution of the state variables (pressure and saturation). While maintaining the continuity of fluid flow, the 3D spatial domain is decomposed into 2D images for reducing training cost, and the decomposition results in an increased number of training data samples and better training efficiency. Additionally, a surrogate model is separately constructed as a postprocessor to calculate well flow rate based on the predictions of state variables from the deep learning model. We use the example of CO2 injection into saline aquifers, and apply the physics-constrained deep learning model that is trained from physics-based simulation data and emulates the physics process. The model performs prediction with a speedup of ~1400 times compared to physics-based simulations, and the average temporal errors of predicted pressure and saturation plumes are 0.27% and 0.099% respectively. Furthermore, water production rate is efficiently predicted by a surrogate model for well flow rate, with a mean error less than 5%. Therefore, with its unique scheme to cope with the fidelity in fluid flow in porous media, the physics-constrained deep learning model can become an efficient predictive model for computationally demanding inverse problems or other coupled processes.
• Abstract（参考訳）: 本研究では, 3次元不均質媒質中の多相流を解決するために, 効率的な物理制約付き深層学習モデルを開発した。 このモデルは畳み込みニューラルネットワークの空間的トポロジー予測能力を完全に活用し、空間的連続性を必要とするフロー応答を予測する効率的な連続性に基づくスムーザと結合する。 さらに、過渡領域がペナル化されてトレーニングプロセスが進行し、モデルがこれらの領域の流れを正確に捉えることができる。 このモデルは多孔質媒質の性質、流体特性、井戸制御などの入力を受け取り、状態変数の時空間的進化(圧力と飽和)を予測する。 流体の流れの連続性を維持しながら、3次元空間領域を2次元画像に分解してトレーニングコストを低減し、この分解によりトレーニングデータサンプル数が増え、トレーニング効率が向上する。 さらに,ディープラーニングモデルから状態変数の予測に基づいて,適切な流量を算出するための後処理系として代理モデルを構築した。 本研究では, 塩類帯水層へのCO2注入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, 物理過程をエミュレートした物理制約深層学習モデルを適用する。 このモデルは物理に基づくシミュレーションと比較して約1400倍の速度で予測を行い、予測された圧力と飽和プルームの平均時間誤差はそれぞれ0.27%と0.099%である。 さらに, 平均誤差を5%以下に抑えながら, 水の生産速度を井戸流量の代理モデルにより効率的に予測する。 したがって、多孔質媒体における流体流動の忠実度に対処する独自のスキームにより、物理制約された深層学習モデルは、逆問題や他の結合過程を計算的に要求する効率的な予測モデルとなることができる。

関連論文リスト

• Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
  計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。 有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。 本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:22:20Z)
• Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
  我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。 EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。 粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-19T21:50:32Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• 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)
• Uncertainty quantification and inverse modeling for subsurface flow in 3D heterogeneous formations using a theory-guided convolutional encoder-decoder network [5.018057056965207]
  複数の垂直生産井を有する動的3次元地下単相流問題に対する代理モデルを構築した。 代理モデルは任意のタイミングで全体の形成を効率的に推算する。 ウェル生産率またはボトムホール圧力はピースマンの公式に基づいて決定できる。
  論文  参考訳（メタデータ） (2021-11-14T10:11:46Z)
• Improving Deep Learning Performance for Predicting Large-Scale Porous-Media Flow through Feature Coarsening [1.4050836886292868]
  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。
  論文  参考訳（メタデータ） (2021-05-08T17:58:46Z)
• 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。