論文の概要: U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow

• arxiv url: http://arxiv.org/abs/2109.03697v1
• Date: Fri, 3 Sep 2021 17:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-12 10:56:09.169337
• Title: U-FNO -- an enhanced Fourier neural operator based-deep learning model for multiphase flow
• Title（参考訳）: U-FNO - 多相流のための強化フーリエニューラル演算子に基づく深層学習モデル
• Authors: Gege Wen, Zongyi Li, Kamyar Azizzadenesheli, Anima Anandkumar, Sally M. Benson
• Abstract要約: 多相フロー問題を解くための拡張フーリエニューラル演算子U-FNOを提案する。 U-FNOアーキテクチャは従来のCNNとオリジナルFNOの両方の利点があり、より正確で効率的な性能を提供する。 訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。
• 参考スコア（独自算出の注目度）: 43.572675744374415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Numerical simulation of multiphase flow in porous media is essential for many geoscience applications. However, due to the multi-physics, non-linear, and multi-scale problem nature, these simulations are very expensive at desirable grid resolutions, and the computational cost often impedes rigorous engineering decision-making. Machine learning methods provide faster alternatives to traditional simulators by training neural network models with numerical simulation data mappings. Traditional convolutional neural network (CNN)-based models are accurate yet data-intensive and are prone to overfitting. Here we present a new architecture, U-FNO, an enhanced Fourier neural operator for solving the multiphase flow problem. The U-FNO is designed based on the Fourier neural operator (FNO) that learns an integral kernel in the Fourier space. Through a systematic comparison among a CNN benchmark and three types of FNO variations on a CO2-water multiphase problem in the context of CO2 geological storage, we show that the U-FNO architecture has the advantages of both traditional CNN and original FNO, providing significantly more accurate and efficient performance than previous architectures. The trained U-FNO provides gas saturation and pressure buildup predictions with a 10,000 times speedup compared to traditional numerical simulators while maintaining similar accuracy.
• Abstract（参考訳）: 多孔質媒質中の多相流の数値シミュレーションは多くの地球科学応用に不可欠である。 しかしながら、マルチ物理、非線形、マルチスケールの問題の性質から、これらのシミュレーションは望ましいグリッド解像度において非常に高価であり、計算コストはしばしば厳密な工学的意思決定を妨げる。 機械学習は、数値シミュレーションデータマッピングを用いてニューラルネットワークモデルをトレーニングすることで、従来のシミュレータよりも高速な代替手段を提供する。 従来の畳み込みニューラルネットワーク(CNN)ベースのモデルは正確だがデータ集約的であり、過度に適合する傾向がある。 本稿では,多相流問題を解くための拡張フーリエニューラル演算子であるU-FNOを提案する。 U-FNOはフーリエ空間の積分核を学ぶフーリエ神経作用素(FNO)に基づいて設計されている。 cnnベンチマークとco2地中貯留におけるco2-水多相問題における3種類のfno変動を系統的に比較した結果,u-fnoアーキテクチャは従来のcnnとオリジナルfnoの両方のアドバンテージを有しており,従来よりも精度と効率性が向上した。 訓練されたU-FNOは、従来の数値シミュレータと比較して1万倍の速度でガス飽和と圧力上昇を予測する。

関連論文リスト

• Domain Agnostic Fourier Neural Operators [15.29112632863168]
  本研究では,不規則なジオメトリと進化するドメインを持つサロゲートを学習するために,ドメインに依存しないフーリエニューラル演算子(DAFNO)を導入する。 鍵となる考え方は、FNOの積分層アーキテクチャに滑らかな特性関数を組み込むことである。 DAFNOはベースラインニューラル演算子モデルと比較して最先端の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-30T13:29:06Z)
• Fourier-MIONet: Fourier-enhanced multiple-input neural operators for multiphase modeling of geological carbon sequestration [3.3058870667947646]
  多孔質媒質中の多相流は、GCSに付随する表面におけるCO$$マイグレーションと圧力場を理解するために不可欠である。 本稿では,多孔質媒体における多相流問題の解演算子を学習するために,フーリエ強化多入力ニューラル演算子(フーリエ・ミオネット)を開発した。 改良されたFNO (U-FNO) と比較して、提案されたフーリエ・ミオネトは未知のパラメータが90%少なく、非常に少ない時間で訓練できる。
  論文  参考訳（メタデータ） (2023-03-08T18:20:56Z)
• Transfer Learning with Physics-Informed Neural Networks for Efficient Simulation of Branched Flows [1.1470070927586016]
  物理インフォームドニューラルネットワーク(PINN)は微分方程式を解くための有望なアプローチを提供する。 PINNに対して最近開発されたトランスファー学習アプローチを採用し,マルチヘッドモデルを提案する。 提案手法は,スクラッチからトレーニングした標準PINNと比較して,計算速度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-11-01T01:50:00Z)
• Solving Seismic Wave Equations on Variable Velocity Models with Fourier Neural Operator [3.2307366446033945]
  本稿では,FNOに基づく解法を効率的に学習するための新しいフレームワークであるFourier Neural operator (PFNO)を提案する。 数値実験により、複雑な速度モデルによるFNOとPFNOの精度が示された。 PFNOは、従来の有限差分法と比較して、大規模なテストデータセットの計算効率が高いことを認めている。
  論文  参考訳（メタデータ） (2022-09-25T22:25:57Z)
• On Fast Simulation of Dynamical System with Neural Vector Enhanced Numerical Solver [59.13397937903832]
  ニューラルベクトル(NeurVec)と呼ばれる深層学習に基づく補正手法を提案する。 NeurVecは、統合エラーを補償し、シミュレーションでより大きなタイムステップサイズを可能にする。 様々な複雑な力学系ベンチマークの実験により、NeurVecは顕著な一般化能力を示すことが示された。
  論文  参考訳（メタデータ） (2022-08-07T09:02:18Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• Factorized Fourier Neural Operators [77.47313102926017]
  Factorized Fourier Neural Operator (F-FNO) は偏微分方程式をシミュレートする学習法である。 我々は,数値解法よりも桁違いに高速に動作しながら,誤差率2%を維持していることを示す。
  論文  参考訳（メタデータ） (2021-11-27T03:34:13Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)

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。