論文の概要: Fourier-MIONet: Fourier-enhanced multiple-input neural operators for
multiphase modeling of geological carbon sequestration
- arxiv url: http://arxiv.org/abs/2303.04778v1
- Date: Wed, 8 Mar 2023 18:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 12:52:10.109402
- Title: Fourier-MIONet: Fourier-enhanced multiple-input neural operators for
multiphase modeling of geological carbon sequestration
- Title（参考訳）: Fourier-MIONet: 地質炭素沈降の多相モデリングのためのフーリエ強化多重入力ニューラル演算子
- Authors: Zhongyi Jiang, Min Zhu, Dongzhuo Li, Qiuzi Li, Yanhua O. Yuan, Lu Lu
- Abstract要約: 地質炭素貯蔵(Geological Carbon Storage、GCS)は、大気中の二酸化炭素の量を減らすことを目的とした重要な技術である。
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。
- 参考スコア（独自算出の注目度）: 2.887258133992338
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Geologic Carbon Storage (GCS) is an important technology that aims to reduce
the amount of carbon dioxide in the atmosphere. Multiphase flow in porous media
is essential to understand CO2 migration and pressure fields in the subsurface
associated with GCS. However, numerical simulation for such problems in 4D is
computationally challenging and expensive, due to the multiphysics and
multiscale nature of the highly nonlinear governing partial differential
equations (PDEs). It prevents us from considering multiple subsurface scenarios
and conducting real-time optimization. Here, we develop a Fourier-enhanced
multiple-input neural operator (Fourier-MIONet) to learn the solution operator
of the problem of multiphase flow in porous media. Fourier-MIONet utilizes the
recently developed framework of the multiple-input deep neural operators
(MIONet) and incorporates the Fourier neural operator (FNO) in the network
architecture. Once Fourier-MIONet is trained, it can predict the evolution of
saturation and pressure of the multiphase flow under various reservoir
conditions, such as permeability and porosity heterogeneity, anisotropy,
injection configurations, and multiphase flow properties. Compared to the
enhanced FNO (U-FNO), the proposed Fourier-MIONet has 90% fewer unknown
parameters, and it can be trained in significantly less time (about 3.5 times
faster) with much lower CPU memory (< 15%) and GPU memory (< 35%) requirements,
to achieve similar prediction accuracy. In addition to the lower computational
cost, Fourier-MIONet can be trained with only 6 snapshots of time to predict
the PDE solutions for 30 years. The excellent generalizability of
Fourier-MIONet is enabled by its adherence to the physical principle that the
solution to a PDE is continuous over time.
- Abstract（参考訳）: 地質炭素貯蔵(GCS)は大気中の二酸化炭素の削減を目的とした重要な技術である。
多孔質媒質中の多相流は,GCSに関連する地下のCO2移動と圧力場を理解するために不可欠である。
しかし、高非線形支配偏微分方程式(PDE)の多物理性や多スケール性のため、4Dにおけるそのような問題の数値シミュレーションは計算的に困難で費用がかかる。
これにより、複数のサブサーフェスシナリオを検討し、リアルタイムの最適化を行うことができない。
本稿では,多孔質媒質中の多相流問題に対する解演算子を学ぶために,フーリエ強調多入力ニューラルネットワーク(fourier-mionet)を開発した。
Fourier-MIONetは、最近開発されたマルチインプットディープニューラル演算子(MIONet)のフレームワークを使用し、ネットワークアーキテクチャにフーリエニューラル演算子(FNO)を組み込んでいる。
フーリエ・マイオネットを訓練すると、透水性、多孔性不均一性、異方性、射出構成、多相流特性などの様々な貯留層条件下での飽和と多相流の圧力の進化を予測できる。
強化されたfno (u-fno) と比較して、フーリエマイオネットは未知のパラメータが90%少なくなり、cpuメモリがはるかに少ない(<15%)とgpuメモリが(<35%)でかなり少ない(約3.5倍の速度)でトレーニングでき、同様の予測精度が得られる。
計算コストの削減に加えて、Fourier-MIONetは30年間、PDEソリューションを予測するために6つのスナップショットでトレーニングすることができる。
フーリエ・マイオネットの優れた一般化性は、PDEの解が時間とともに連続であるという物理原理に固執することによって実現される。
関連論文リスト
- DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。
DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。
経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文 参考訳（メタデータ） (2024-10-08T10:48:50Z) - Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。
我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。
この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
論文 参考訳（メタデータ） (2024-09-25T02:58:45Z) - Accelerating Phase Field Simulations Through a Hybrid Adaptive Fourier Neural Operator with U-Net Backbone [0.7329200485567827]
ニューラル演算子学習の最近の進歩にインスパイアされた機械学習(ML)モデルであるU-AFNO(Adaptive Fourier Neural Operators)を提案する。
U-AFNOを使って、現在の時間ステップでフィールドを後の時間ステップにマッピングするダイナミクスを学習します。
高忠実度数値解法と同等の精度で重要なミクロ構造統計とQoIを再現する。
論文 参考訳（メタデータ） (2024-06-24T20:13:23Z) - Solving High Frequency and Multi-Scale PDEs with Gaussian Processes [18.190228010565367]
PINNは、しばしば高周波およびマルチスケールのPDEを解決するのに苦労する。
我々はこの問題を解決するためにガウス過程(GP)フレームワークを利用する。
我々はKroneckerの製品特性と多線型代数を用いて計算効率とスケーラビリティを向上する。
論文 参考訳（メタデータ） (2023-11-08T05:26:58Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Learning Generic Solutions for Multiphase Transport in Porous Media via
the Flux Functions Operator [0.0]
DeepDeepONetは、レンダリングフラックスDEを高速化する強力なツールとして登場した。
我々は、入力ペア出力の観測を伴わずにこのマッピングを実現するために、Physical-In DeepONets (PI-DeepONets) を用いている。
論文 参考訳（メタデータ） (2023-07-03T21:10:30Z) - Fourier Continuation for Exact Derivative Computation in
Physics-Informed Neural Operators [53.087564562565774]
PINOは、偏微分方程式を学習するための有望な実験結果を示す機械学習アーキテクチャである。
非周期問題に対して、フーリエ継続(FC)を利用して正確な勾配法をPINOに適用するアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-11-29T06:37:54Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - Fourier Neural Operator with Learned Deformations for PDEs on General Geometries [75.91055304134258]
我々は任意の測地上でPDEを解決するための新しいフレームワーク、viz.、geo-FNOを提案する。
Geo-FNO は入力(物理)領域を不規則で、一様格子を持つ潜在空間に変形させることを学ぶ。
我々は, 弾性, 塑性, オイラー方程式, ナビエ・ストークス方程式などの多種多様なPDEと, 前方モデリングと逆設計の問題を考察する。
論文 参考訳（メタデータ） (2022-07-11T21:55:47Z) - 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) - U-FNO -- an enhanced Fourier neural operator based-deep learning model
for multiphase flow [43.572675744374415]
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。
論文 参考訳（メタデータ） (2021-09-03T17:52:25Z)
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。