論文の概要: Uncertainty quantification of two-phase flow in porous media via
coupled-TgNN surrogate model
- arxiv url: http://arxiv.org/abs/2205.14301v1
- Date: Sat, 28 May 2022 02:33:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 14:38:44.645115
- Title: Uncertainty quantification of two-phase flow in porous media via
coupled-TgNN surrogate model
- Title（参考訳）: 結合TgNN代理モデルによる多孔質媒質中の二相流の不確かさ定量化
- Authors: Jian Li, Dongxiao Zhang, Tianhao He, Qiang Zheng
- Abstract要約: 地下二相流の不確実性定量化(UQ)は通常、様々な条件下でのフォワードシミュレーションの多数の実行を必要とする。
本研究では, 理論誘導型ニューラルネットワーク(TgNN)をベースとした新しいサロゲートモデルを構築し, 良好な精度で効率を向上する。
- 参考スコア（独自算出の注目度）: 6.705438773768439
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Uncertainty quantification (UQ) of subsurface two-phase flow usually requires
numerous executions of forward simulations under varying conditions. In this
work, a novel coupled theory-guided neural network (TgNN) based surrogate model
is built to facilitate computation efficiency under the premise of satisfactory
accuracy. The core notion of this proposed method is to bridge two separate
blocks on top of an overall network. They underlie the TgNN model in a coupled
form, which reflects the coupling nature of pressure and water saturation in
the two-phase flow equation. The TgNN model not only relies on labeled data,
but also incorporates underlying scientific theory and experiential rules
(e.g., governing equations, stochastic parameter fields, boundary and initial
conditions, well conditions, and expert knowledge) as additional components
into the loss function. The performance of the TgNN-based surrogate model for
two-phase flow problems is tested by different numbers of labeled data and
collocation points, as well as the existence of data noise. The proposed
TgNN-based surrogate model offers an effective way to solve the coupled
nonlinear two-phase flow problem and demonstrates good accuracy and strong
robustness when compared with the purely data-driven surrogate model. By
combining the accurate TgNN-based surrogate model with the Monte Carlo method,
UQ tasks can be performed at a minimum cost to evaluate statistical quantities.
Since the heterogeneity of the random fields strongly impacts the results of
the surrogate model, corresponding variance and correlation length are added to
the input of the neural network to maintain its predictive capacity. The
results show that the TgNN-based surrogate model achieves satisfactory
accuracy, stability, and efficiency in UQ problems of subsurface two-phase
flow.
- Abstract（参考訳）: 地下二相流の不確実性定量化(UQ)は通常、様々な条件下でのフォワードシミュレーションの多数の実行を必要とする。
本研究では,理論誘導ニューラルネットワーク(TgNN)をベースとした新しいサロゲートモデルを構築し,良好な精度で計算効率を向上させる。
提案手法の中核となる概念は,ネットワーク上の2つのブロックをブリッジすることである。
彼らは2相流方程式における圧力と水飽和のカップリング特性を反映した結合型TgNNモデルを実現する。
TgNNモデルはラベル付きデータだけでなく、基礎となる科学理論や経験則(例えば、支配方程式、確率的パラメータフィールド、境界条件と初期条件、井戸条件、専門家知識)を損失関数に追加成分として組み込んでいる。
2相流問題に対するTgNNに基づく代理モデルの性能は、ラベル付きデータとコロケーション点の数、およびデータノイズの存在によって検証される。
提案するtgnn-based surrogateモデルは,結合非線形二相流問題を解く効果的な方法を提供し,純粋データ駆動サーロゲートモデルと比較して精度と頑健性を示す。
正確なTgNNベースの代理モデルとモンテカルロ法を組み合わせることで、UQタスクを最小コストで実行し、統計量を評価することができる。
確率場の不均一性はサロゲートモデルの結果に強く影響するため、ニューラルネットワークの入力に対応する分散と相関長を追加して予測能力を維持する。
その結果, 地下二相流におけるUQ問題の精度, 安定性, 効率性はTgNNに基づくサロゲートモデルにより達成できた。
関連論文リスト
- Straightness of Rectified Flow: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
拡散モデルは画像生成とデノナイズのための強力なツールとして登場した。
最近、Liuらは新しい代替生成モデル Rectified Flow (RF) を設計した。
RFは,一連の凸最適化問題を用いて,ノイズからデータへの直流軌跡の学習を目的としている。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。
標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
論文 参考訳（メタデータ） (2023-10-25T17:59:12Z) - Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。
ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
論文 参考訳（メタデータ） (2023-06-27T02:35:25Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Robust DNN Surrogate Models with Uncertainty Quantification via
Adversarial Training [17.981250443856897]
代理モデルは、物理または生物学的プロセスの数学的シミュレーターをエミュレートするために使われてきた。
ディープニューラルネットワーク(DNN)サロゲートモデルは、ハード・ト・マッチエミュレーションの精度で人気を集めている。
本稿では,実証的研究と仮説テストを通じて,この問題の深刻度を示す。
論文 参考訳（メタデータ） (2022-11-10T05:09:39Z) - Surrogate and inverse modeling for two-phase flow in porous media via
theory-guided convolutional neural network [0.0]
理論誘導畳み込みニューラルネットワーク(TgCNN)フレームワークは、二相多孔質媒体フロー問題に拡張される。
検討された2つの主変数である圧力と飽和は2つのCNNと同時に近似される。
TgCNNサロゲートは二相流問題において通常のCNNサロゲートよりも精度が高い。
論文 参考訳（メタデータ） (2021-10-12T14:52:37Z) - Variational Inference with NoFAS: Normalizing Flow with Adaptive
Surrogate for Computationally Expensive Models [7.217783736464403]
マルコフ連鎖モンテカルロのようなサンプリングに基づくアプローチの使用は、それぞれの可能性評価が計算的に高価であるときに難解になる可能性がある。
変分推論と正規化フローを組み合わせた新しいアプローチは、潜在変数空間の次元と線形にしか成長しない計算コストによって特徴づけられる。
本稿では,ニューラルネットワークサロゲートモデルの正規化フローパラメータと重みを代わりに更新する最適化戦略である,適応サロゲートを用いた正規化フロー(NoFAS)を提案する。
論文 参考訳（メタデータ） (2021-08-28T14:31:45Z) - Efficient Uncertainty Quantification for Dynamic Subsurface Flow with
Surrogate by Theory-guided Neural Network [0.0]
理論誘導ニューラルネットワーク(TgNN)により構築された代理体を用いた動的地下流れの効率的な不確実性定量化手法を提案する。
パラメータ、時間、位置はニューラルネットワークの入力であり、関心の量は出力である。
トレーニングされたニューラルネットワークは、新しいパラメータで地下流れ問題の解を予測することができる。
論文 参考訳（メタデータ） (2020-04-25T12:41:57Z) - On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。
異なる家族間でのモデルランキングの相関はみられない。
論文 参考訳（メタデータ） (2020-02-17T20:13:35Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳（メタデータ） (2019-11-29T19:17:58Z)
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。