論文の概要: Transfer learning-based physics-informed convolutional neural network
for simulating flow in porous media with time-varying controls
- arxiv url: http://arxiv.org/abs/2310.06319v1
- Date: Tue, 10 Oct 2023 05:29:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 01:57:30.433930
- Title: Transfer learning-based physics-informed convolutional neural network
for simulating flow in porous media with time-varying controls
- Title（参考訳）: 移動学習に基づく物理インフォームド畳み込みニューラルネットワークによる多孔質媒体内の流れの時間変化制御
- Authors: Jungang Chen, Eduardo Gildin, John E. Killough
- Abstract要約: 多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。
有限体積スキームは流れの方程式を識別するために用いられる。
N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A physics-informed convolutional neural network is proposed to simulate two
phase flow in porous media with time-varying well controls. While most of
PICNNs in existing literatures worked on parameter-to-state mapping, our
proposed network parameterizes the solution with time-varying controls to
establish a control-to-state regression. Firstly, finite volume scheme is
adopted to discretize flow equations and formulate loss function that respects
mass conservation laws. Neumann boundary conditions are seamlessly incorporated
into the semi-discretized equations so no additional loss term is needed. The
network architecture comprises two parallel U-Net structures, with network
inputs being well controls and outputs being the system states. To capture the
time-dependent relationship between inputs and outputs, the network is well
designed to mimic discretized state space equations. We train the network
progressively for every timestep, enabling it to simultaneously predict oil
pressure and water saturation at each timestep. After training the network for
one timestep, we leverage transfer learning techniques to expedite the training
process for subsequent timestep. The proposed model is used to simulate
oil-water porous flow scenarios with varying reservoir gridblocks and aspects
including computation efficiency and accuracy are compared against
corresponding numerical approaches. The results underscore the potential of
PICNN in effectively simulating systems with numerous grid blocks, as
computation time does not scale with model dimensionality. We assess the
temporal error using 10 different testing controls with variation in magnitude
and another 10 with higher alternation frequency with proposed control-to-state
architecture. Our observations suggest the need for a more robust and reliable
model when dealing with controls that exhibit significant variations in
magnitude or frequency.
- Abstract（参考訳）: 物理インフォームド畳み込みニューラルネットワークは,多孔質媒質中での2相流を時変井戸制御でシミュレートするために提案される。
既存文献のPICNNの多くはパラメータ・ツー・ステートマッピングに取り組んでいたが,提案するネットワークは時間変化の制御によりパラメータ化して制御・状態回帰を確立する。
まず, 有限体積スキームを用いて流れ方程式を離散化し, 質量保存則に関する損失関数を定式化する。
ノイマン境界条件は半離散方程式にシームレスに組み込まれ、余分な損失項は不要である。
ネットワークアーキテクチャは2つの並列U-Net構造で構成され、ネットワーク入力はよく制御され、出力はシステム状態である。
入力と出力の間の時間依存関係を捉えるために、ネットワークは離散状態空間方程式を模倣するようによく設計されている。
各時間ステップ毎にネットワークを段階的にトレーニングし、各時間ステップで油圧と水の飽和を同時に予測できるようにします。
ネットワークを1段階訓練した後,転送学習技術を活用して学習プロセスを高速化する。
本モデルでは, 貯留層グリッドブロックの異なる油水多孔質流シナリオをシミュレートし, 計算効率, 精度などの側面を対応する数値手法と比較した。
計算時間はモデル次元ではスケールしないため、picnnが多数のグリッドブロックを効果的にシミュレートする可能性の中核となる。
提案手法では,大小の異なる10種類のテスト制御と交替頻度の高い10種類のテスト制御を用いて時間誤差を評価する。
我々の観察は、大きさや周波数のかなりの変化を示す制御を扱う際に、より堅牢で信頼性の高いモデルの必要性を示唆している。
関連論文リスト
- TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - 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) - Green, Quantized Federated Learning over Wireless Networks: An
Energy-Efficient Design [68.86220939532373]
有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。
提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
論文 参考訳（メタデータ） (2022-07-19T16:37:24Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Physics-Informed Neural Nets-based Control [5.252190504926357]
この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。
PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。
本手法を2つの非線形動的システムの制御において紹介する。
論文 参考訳（メタデータ） (2021-04-06T14:55:23Z) - Echo State Network for two-dimensional turbulent moist Rayleigh-B\'enard
convection [0.0]
モイストrayleigh-b'enard対流の進化を近似するためにエコー状態ネットワークを適用する。
我々のモデルは複雑なダイナミクスを学習することができると結論づける。
論文 参考訳（メタデータ） (2021-01-27T11:27:16Z) - Hierarchical Deep Learning of Multiscale Differential Equation
Time-Steppers [5.6385744392820465]
本研究では,時間スケールの異なる範囲にわたる動的システムのフローマップを近似するために,ディープニューラルネットワークの時間ステップ階層を構築した。
結果のモデルは純粋にデータ駆動であり、マルチスケールのダイナミックスの特徴を活用する。
我々は,LSTM,貯水池計算,クロックワークRNNなどの最先端手法に対して,我々のアルゴリズムをベンチマークする。
論文 参考訳（メタデータ） (2020-08-22T07:16:53Z) - Fast Modeling and Understanding Fluid Dynamics Systems with
Encoder-Decoder Networks [0.0]
本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。
従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。
深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
論文 参考訳（メタデータ） (2020-06-09T17:14:08Z) - Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。
暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。
これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文 参考訳（メタデータ） (2020-06-08T09:53:35Z)
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。