論文の概要: Physics-Informed Localized Learning for Advection-Diffusion-Reaction Systems

• arxiv url: http://arxiv.org/abs/2305.03774v1
• Date: Fri, 5 May 2023 18:09:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:31:11.959957
• Title: Physics-Informed Localized Learning for Advection-Diffusion-Reaction Systems
• Title（参考訳）: 物理インフォームド・ローカライズド・ラーニングによる対流拡散反応系
• Authors: Surya T. Sathujoda and Soham M. Sheth
• Abstract要約: 地熱・炭素捕獲・探査のイニシアチブは、現在最先端の地下流体シミュレーターに新たな需要を押し付けている。 本研究では,Embed-to-Control (E2C) モデルと Embed-to-Control and Observed (E2CO) モデルを拡張した新しい物理インフォームドおよび境界条件認識型ローカライズドラーニング手法を提案する。 本研究では,貯水池シミュレーションデータに基づいてトレーニングしたモデルを用いて,システムの将来状態を予測する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The global push for new energy solutions, such as Geothermal, and Carbon Capture and Sequestration initiatives has thrust new demands upon the current state-of the-art subsurface fluid simulators. The requirement to be able to simulate a large order of reservoir states simultaneously in a short period of time has opened the door of opportunity for the application of machine learning techniques for surrogate modelling. We propose a novel physics-informed and boundary conditions-aware Localized Learning method which extends the Embed-to-Control (E2C) and Embed-to-Control and Observed (E2CO) models to learn local representations of global state variables in an Advection-Diffusion Reaction system. We show that our model trained on reservoir simulation data is able to predict future states of the system, given a set of controls, to a great deal of accuracy with only a fraction of the available information, while also reducing training times significantly compared to the original E2C and E2CO models.
• Abstract（参考訳）: 地熱や二酸化炭素の捕獲・隔離といった新しいエネルギーソリューションの世界的な推進は、現在の地下流体シミュレーターに新たな需要を押し付けている。 短時間で大量の貯水池状態を同時にシミュレートできるという要求は、サロゲートモデリングに機械学習技術を適用する機会の扉を開いた。 本稿では,E2C(Embed-to-Control)モデルとEmbed-to-Control and Observed(E2CO)モデルを拡張し,Advection-Diffusion Reaction Systemにおける大域的状態変数の局所表現を学習する,新しい物理インフォームドおよび境界条件認識型局所学習法を提案する。 本研究では, 貯水池シミュレーションデータに基づいてトレーニングしたモデルを用いて, システムの将来状態の予測を, 利用可能な情報のごく一部で行うことができ, また, 元のE2CモデルやE2COモデルと比較して, トレーニング時間を大幅に短縮できることを示す。

関連論文リスト

• Physics-informed Convolutional Recurrent Surrogate Model for Reservoir Simulation with Well Controls [0.0]
  本稿では,物理インフォームド畳み込みニューラルネットワーク(RNN)を用いた流体流動モデリングのための新しい代理モデルを提案する。 このモデルは、畳み込み長期記憶(ConvLSTM)を使用して、多孔質流れにおける状態進化ダイナミクスの繰り返しの依存関係をキャプチャする。 提案モデルにより, 地下流動の効率的かつ正確な予測が可能となり, 貯水池工学における最適制御設計への応用が期待できる。
  論文  参考訳（メタデータ） (2023-05-15T22:43:18Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Accelerating hydrodynamic simulations of urban drainage systems with physics-guided machine learning [0.0]
  本研究では,物理誘導機械学習に基づく都市排水系油圧の高速かつ高精度な代理モデル構築手法を提案する。 提案手法は,HiFiモデルと比較してシミュレーション時間を1～2桁に短縮する。 したがって、概念的水理モデルよりも遅いが、全てのノードにおける水位、流れ、電荷のシミュレーションと排水網のリンクを可能にする。
  論文  参考訳（メタデータ） (2022-05-24T19:44:46Z)
• Harnessing expressive capacity of Machine Learning modeling to represent complex coupling of Earth's auroral space weather regimes [0.0]
  我々は,大域オーロラ粒子降水量の予測を推し進める複数の深層学習(DL)モデルを開発した。 我々は、地球を周回する低軌道の電子エネルギーフラックスから観測を行い、地球上の流星を改良するモデルを開発した。 特に、MLモデルは、歴史的に正確な仕様まで、極端な事象の予測を改善し、MLイノベーションによって提供される能力の増大が、宇宙天気の科学における大きな課題に対処できることを示唆している。
  論文  参考訳（メタデータ） (2021-11-29T22:35:09Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Online learning of both state and dynamics using ensemble Kalman filters [0.0]
  本稿では,オンライン上での動的および状態の双方,すなわち推定値を常に更新する可能性について検討する。 我々は,(i)グローバルなEnKF,(i)ローカルなEnKF,(iii)反復的なEnKFを通じて,オンラインのダイナミクスを学習することの意味を考察する。 次に,1次元,1スケール,2スケールのカオスロレンツモデルを用いて,これらの手法の有効性を数値的に検証し,精度を評価する。
  論文  参考訳（メタデータ） (2020-06-06T13:19:26Z)
• Model-Based Reinforcement Learning for Physical Systems Without Velocity and Acceleration Measurements [19.060544153434428]
  ガウス過程回帰(GPR)に基づく強化学習(RL)アルゴリズムのための微分自由モデル学習フレームワークを提案する。 多くのメカニカルシステムでは、計測器によって位置のみを測定することができる。 2つの実プラットフォームで実施されたテストでは,提案モデルと組み合わせた状態定義により,推定性能が向上することが示された。
  論文  参考訳（メタデータ） (2020-02-25T01:58:34Z)

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。