論文の概要: A MgNO Method for Multiphase Flow in Porous Media
- arxiv url: http://arxiv.org/abs/2407.02505v1
- Date: Sun, 16 Jun 2024 11:27:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-07 13:24:39.546584
- Title: A MgNO Method for Multiphase Flow in Porous Media
- Title（参考訳）: 多孔質媒質中の多相流のMgNO法
- Authors: Xinliang Liu, Xia Yang, Chen-Song Zhang, Lian Zhang, Li Zhao,
- Abstract要約: 本研究はMgNOを時間依存性の多孔質媒質流問題に拡張し, 多相流の本質的側面を予測する精度を検証した。
この研究はMgNOが多相流問題を効果的にシミュレートする能力を示し、従来のシミュレーション法と比較してかなりの時間を節約できることを示した。
- 参考スコア（独自算出の注目度）: 4.521491894006907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research investigates the application of Multigrid Neural Operator (MgNO), a neural operator architecture inspired by multigrid methods, in the simulation for multiphase flow within porous media. The architecture is adjusted to manage a variety of crucial factors, such as permeability and porosity heterogeneity. The study extendes MgNO to time-dependent porous media flow problems and validate its accuracy in predicting essential aspects of multiphase flows. Furthermore, the research provides a detailed comparison between MgNO and Fourier Neural Opeartor (FNO), which is one of the most popular neural operator methods, on their performance regarding prediction error accumulation over time. This aspect provides valuable insights into the models' long-term predictive stability and reliability. The study demonstrates MgNO's capability to effectively simulate multiphase flow problems, offering considerable time savings compared to traditional simulation methods, marking an advancement in integrating data-driven methodologies in geoscience applications.
- Abstract（参考訳）: 本研究では,多孔質媒質内の多相流シミュレーションにおけるマルチグリッド法に触発されたニューラルオペレーターアーキテクチャであるMgNOの応用について検討する。
アーキテクチャは、透過性や多孔質の不均一性など、さまざまな重要な要素を管理するために調整される。
本研究はMgNOを時間依存性の多孔質媒質流問題に拡張し, 多相流の本質的側面を予測するための精度を検証した。
さらに、この研究は、MgNOとFunier Neural Opeartor(FNO)の予測誤差の蓄積に関するパフォーマンスに関する詳細な比較を提供する。
この側面は、モデルの長期的な予測安定性と信頼性に関する貴重な洞察を提供する。
この研究はMgNOが多相流問題を効果的にシミュレートし、従来のシミュレーション手法と比較してかなりの時間を節約できることを示し、地球科学応用におけるデータ駆動手法の統合の進展を示している。
関連論文リスト
- Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳（メタデータ） (2023-12-08T23:44:54Z) - Neural network analysis of neutron and X-ray reflectivity data:
Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。
ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。
従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
論文 参考訳（メタデータ） (2023-06-28T11:15:53Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳（メタデータ） (2022-07-28T19:59:14Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - 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) - Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey [0.0]
ファジィ認知マップ(FCM)は、複雑なシステムの力学をモデル化し解析するためのツールとして、顕著な結果を示している。
FCMはファジィ論理、ニューラルネットワーク、エキスパートシステムの各側面の混合であり、複雑なシステムの動的挙動をシミュレーションし研究するための強力なツールとして機能する。
論文 参考訳（メタデータ） (2022-01-07T02:11:53Z) - 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) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - 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)
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。