論文の概要: Uncertainty Quantification for Transport in Porous media using
Parameterized Physics Informed neural Networks
- arxiv url: http://arxiv.org/abs/2205.12730v1
- Date: Thu, 19 May 2022 06:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 20:41:05.239609
- Title: Uncertainty Quantification for Transport in Porous media using
Parameterized Physics Informed neural Networks
- Title（参考訳）: パラメータ化物理インフォームドニューラルネットワークを用いた多孔質媒質中の輸送の不確かさ定量化
- Authors: Cedric Fraces Gasmi and Hamdi Tchelepi
- Abstract要約: 本稿では,貯水池工学における不確実性定量化問題に取り組むために,インフォームドニューラルネットワーク(P-PINN)のパラメトリゼーションを提案する。
異種多孔質媒質中の不混和性二相流変位(Buckley-Leverett問題)によるアプローチを実証する。
PINNは不確実性空間のパラメータ化を適切に行うことで,アンサンブル実現とモーメントを密接に一致させる解を生成できることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a Parametrization of the Physics Informed Neural Network (P-PINN)
approach to tackle the problem of uncertainty quantification in reservoir
engineering problems. We demonstrate the approach with the immiscible two phase
flow displacement (Buckley-Leverett problem) in heterogeneous porous medium.
The reservoir properties (porosity, permeability) are treated as random
variables. The distribution of these properties can affect dynamic properties
such as the fluids saturation, front propagation speed or breakthrough time. We
explore and use to our advantage the ability of networks to interpolate complex
high dimensional functions. We observe that the additional dimensions resulting
from a stochastic treatment of the partial differential equations tend to
produce smoother solutions on quantities of interest (distributions parameters)
which is shown to improve the performance of PINNS. We show that provided a
proper parameterization of the uncertainty space, PINN can produce solutions
that match closely both the ensemble realizations and the stochastic moments.
We demonstrate applications for both homogeneous and heterogeneous fields of
properties. We are able to solve problems that can be challenging for classical
methods. This approach gives rise to trained models that are both more robust
to variations in the input space and can compete in performance with
traditional stochastic sampling methods.
- Abstract（参考訳）: 本稿では,物理インフォームドニューラルネットワーク(p-pinn)手法のパラメトリゼーションを行い,貯留層工学問題における不確実性定量化問題に取り組む。
異種多孔質媒質中の不混和性二相流変位(Buckley-Leverett問題)によるアプローチを示す。
貯留層特性(ポーシティ、透過性)は確率変数として扱われる。
これらの特性の分布は、流体飽和、前方伝播速度、ブレークスルー時間などの動的特性に影響を及ぼす。
我々は、複雑な高次元関数を補間するネットワークの能力の利点を探求し、活用する。
偏微分方程式の確率的処理により得られる付加次元は、ピンの性能を向上させることが示される利子量(分配パラメータ)に対してより滑らかな解を生み出す傾向がある。
PINNは不確実性空間の適切なパラメータ化を提供することで、アンサンブル実現と確率的モーメントを密接に一致させる解を生成できることを示す。
均質場と異質場の両方への応用を実証する。
古典的な手法では難しい問題の解決が可能です。
このアプローチは、入力空間の変動に対してより堅牢で、従来の確率的サンプリング手法と性能的に競合する訓練されたモデルを生み出す。
関連論文リスト
- Stochastic Inverse Problem: stability, regularization and Wasserstein gradient flow [7.110337170229741]
物理科学や生物学における逆問題はしばしば、ランダムな未知のパラメータを復元する。
本稿では, この問題の3つの側面として, 直接定式化, 正規化による変分, 勾配流による最適化について考察する。
論文 参考訳（メタデータ） (2024-09-30T20:56:34Z) - Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation [0.0]
特異な摂動問題には、数値的に解くのが難しい急な境界層を持つ解が存在する。
有限差分法のような従来の数値法は、安定かつ正確な解を得るために洗練されたメッシュを必要とする。
我々は,物理インフォームドニューラルネットワーク(PINN)を用いて特異摂動問題の数値解を生成することを検討する。
論文 参考訳（メタデータ） (2024-09-12T00:24:21Z) - Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳（メタデータ） (2024-07-10T17:39:50Z) - Physics-Informed Neural Network based inverse framework for time-fractional differential equations for rheology [0.0]
時間差分方程式は、記憶効果によって特徴づけられる現象を捉えるための堅牢な枠組みを提供する。
しかし、分数微分を含む逆問題の解決は、安定性と特異性に関連する問題を含む顕著な課題を提示する。
本研究では, PINNの適用範囲を広げて, 時間-屈折微分を含む逆問題に対処し, 異常拡散と, 2) 分数粘弾性方程式の2つの問題を対象とする。
論文 参考訳（メタデータ） (2024-06-06T01:29:17Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - Physics-informed UNets for Discovering Hidden Elasticity in
Heterogeneous Materials [0.0]
弾性インバージョンのための新しいUNetベースニューラルネットワークモデル(El-UNet)を開発した。
完全接続された物理インフォームドニューラルネットワークと比較して,El-UNetによる精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-01T23:35:03Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - A mixed formulation for physics-informed neural networks as a potential
solver for engineering problems in heterogeneous domains: comparison with
finite element method [0.0]
物理インフォームドニューラルネットワーク(PINN)は、与えられた境界値問題の解を見つけることができる。
工学的問題における既存のPINNの性能を高めるために,有限要素法(FEM)からいくつかのアイデアを取り入れた。
論文 参考訳（メタデータ） (2022-06-27T08:18:08Z) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳（メタデータ） (2022-02-15T19:00:09Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳（メタデータ） (2022-02-07T17:47:46Z) - Variational Transport: A Convergent Particle-BasedAlgorithm for Distributional Optimization [106.70006655990176]
分散最適化問題は機械学習や統計学で広く発生する。
本稿では,変分輸送と呼ばれる粒子に基づく新しいアルゴリズムを提案する。
目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
論文 参考訳（メタデータ） (2020-12-21T18:33:13Z)
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。