論文の概要: Graph Convolutional Networks for Simulating Multi-phase Flow and
Transport in Porous Media
- arxiv url: http://arxiv.org/abs/2307.04449v1
- Date: Mon, 10 Jul 2023 09:59:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 13:30:42.791548
- Title: Graph Convolutional Networks for Simulating Multi-phase Flow and
Transport in Porous Media
- Title(参考訳): 多孔質媒体の多相流・輸送シミュレーションのためのグラフ畳み込みネットワーク
- Authors: Jiamin Jiang, Bo Guo
- Abstract要約: グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と輸送過程の時空間解を近似する。
2次元不均質試験の結果,サロゲートは圧力と飽和状態の進化を高い精度で予測できることがわかった。
- 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: Numerical simulation of multi-phase fluid dynamics in porous media is
critical for many subsurface applications. Data-driven surrogate modeling
provides computationally inexpensive alternatives to high-fidelity numerical
simulators. While the commonly used convolutional neural networks (CNNs) are
powerful in approximating partial differential equation solutions, it remains
challenging for CNNs to handle irregular and unstructured simulation meshes.
However, subsurface simulation models often involve unstructured meshes with
complex mesh geometries, which limits the application of CNNs. To address this
challenge, here we construct surrogate models based on Graph Convolutional
Networks (GCNs) to approximate the spatial-temporal solutions of multi-phase
flow and transport processes. We propose a new GCN architecture suited to the
hyperbolic character of the coupled PDE system, to better capture the
saturation dynamics. Results of 2D heterogeneous test cases show that our
surrogates predict the evolutions of the pressure and saturation states with
high accuracy, and the predicted rollouts remain stable for multiple timesteps.
Moreover, the GCN-based models generalize well to irregular domain geometries
and unstructured meshes that are unseen in the training dataset.
- Abstract(参考訳): 多孔質媒質中の多相流体力学の数値シミュレーションは多くの地下応用において重要である。
データ駆動サーロゲートモデリングは、高忠実度数値シミュレータの計算的に安価な代替手段を提供する。
一般に使われている畳み込みニューラルネットワーク(CNN)は偏微分方程式の解を近似するのに強力であるが、CNNが不規則で非構造的なシミュレーションメッシュを扱うことは依然として困難である。
しかしながら、地下シミュレーションモデルには複雑なメッシュジオメトリを持つ非構造メッシュがしばしば含まれ、cnnの適用が制限される。
本稿では,多相流と輸送過程の時空間解を近似するために,グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築する。
本稿では, 飽和度をよりよく捉えるために, 結合されたPDEシステムの双曲特性に適合する新しいGCNアーキテクチャを提案する。
2次元不均質試験の結果, シュロゲートは圧力および飽和状態の進化を高精度に予測し, ロールアウトは複数回にわたって安定していることがわかった。
さらに、gcnベースのモデルは、トレーニングデータセットにない不規則なドメインジオメトリや非構造化メッシュにうまく一般化する。
関連論文リスト
- Deep Learning-based surrogate models for parametrized PDEs: handling
geometric variability through graph neural networks [0.0]
本研究では,時間依存型PDEシミュレーションにおけるグラフニューラルネットワーク(GNN)の可能性について検討する。
本稿では,データ駆動型タイムステッピング方式に基づくサロゲートモデルを構築するための体系的戦略を提案する。
GNNは,計算効率と新たなシナリオへの一般化の観点から,従来の代理モデルに代わる有効な代替手段を提供することができることを示す。
論文 参考訳(メタデータ) (2023-08-03T08:14:28Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - 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) - 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) - Towards Fast Simulation of Environmental Fluid Mechanics with
Multi-Scale Graph Neural Networks [0.0]
我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。
本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。
MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2~4桁高速である。
論文 参考訳(メタデータ) (2022-05-05T13:33:03Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z) - Transfer Learning on Multi-Fidelity Data [0.0]
ニューラルネットワーク(NNs)は、しばしば複素系のダイナミクスを記述する部分微分方程式(PDEs)のサロゲートまたはエミュレータとして用いられる。
私たちは、トランスファーラーニングを用いた深層畳み込みNN(CNN)のトレーニングのためにデータ生成コストを削減するために、マルチファイダリティシミュレーションに依存しています。
数値実験により,比較的多数の低忠実度データと少ない高忠実度データとを混合することにより,計算速度と予測精度の最適バランスが得られた。
論文 参考訳(メタデータ) (2021-04-29T00:06:19Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳(メタデータ) (2020-07-08T21:23:19Z) - Multipole Graph Neural Operator for Parametric Partial Differential
Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。
線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。
実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文 参考訳(メタデータ) (2020-06-16T21:56:22Z)
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。