論文の概要: Learning multi-phase flow and transport in fractured porous media with auto-regressive and recurrent graph neural networks

• arxiv url: http://arxiv.org/abs/2502.17512v1
• Date: Sat, 22 Feb 2025 10:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:21:08.424741
• Title: Learning multi-phase flow and transport in fractured porous media with auto-regressive and recurrent graph neural networks
• Title（参考訳）: 自己回帰型および反復型グラフニューラルネットワークを用いた多相性多孔質媒体の多相流と輸送の学習
• Authors: Mohammed Al Kobaisi, Wenjuan Zhang, Waleed Diab, Hadi Hajibeygi,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いた破壊多孔質媒体の複雑な多相流と輸送ダイナミクスの学習を提案する。 GNNは、埋め込み離散破壊モデル(EDFM)によるグリッドの非構造的トポロジーのため、このタスクに適している。 両GNNは,飽和列の予測において同等の性能を示し,圧力列の予測において,繰り返しGNNの性能が若干向上した。
• 参考スコア（独自算出の注目度）: 0.3749861135832073
• License:
• Abstract: In the past three decades, a wide array of computational methodologies and simulation frameworks has emerged to address the complexities of modeling multi-phase flow and transport processes in fractured porous media. The conformal mesh approaches which explicitly align the computational grid with fracture surfaces are considered by many to be the most accurate. However, such methods require excessive fine-scale meshing, rendering them impractical for large or complex fracture networks. In this work, we propose to learn the complex multi-phase flow and transport dynamics in fractured porous media with graph neural networks (GNN). GNNs are well suited for this task due to the unstructured topology of the computation grid resulting from the Embedded Discrete Fracture Model (EDFM) discretization. We propose two deep learning architectures, a GNN and a recurrent GNN. Both networks follow a two-stage training strategy: an autoregressive one step roll-out, followed by a fine-tuning step where the model is supervised using the whole ground-truth sequence. We demonstrate that the two-stage training approach is effective in mitigating error accumulation during autoregressive model rollouts in the testing phase. Our findings indicate that both GNNs generalize well to unseen fracture realizations, with comparable performance in forecasting saturation sequences, and slightly better performance for the recurrent GNN in predicting pressure sequences. While the second stage of training proved to be beneficial for the GNN model, its impact on the recurrent GNN model was less pronounced. Finally, the performance of both GNNs for temporal extrapolation is tested. The recurrent GNN significantly outperformed the GNN in terms of accuracy, thereby underscoring its superior capability in predicting long sequences.
• Abstract（参考訳）: 過去30年間で、多相流のモデリングや多孔質媒体の輸送過程のモデル化の複雑さに対処するために、幅広い計算手法とシミュレーションフレームワークが出現してきた。 計算格子を破壊面と明示的に整合させる共形メッシュアプローチは、多くの人が最も正確だと考えている。 しかし、このような手法では過度に微細なメッシュ化が必要であり、大規模または複雑なフラクチャーネットワークでは実用的ではない。 本研究では,グラフニューラルネットワーク(GNN)を用いた破壊多孔質媒体の複雑な多相流と輸送ダイナミクスの学習を提案する。 GNNは、EDFM( Embedded Discrete Fracture Model)の離散化による計算グリッドの非構造的トポロジーのため、このタスクに適している。 本稿では,GNNと繰り返しGNNの2つのディープラーニングアーキテクチャを提案する。 どちらのネットワークも2段階のトレーニング戦略に従っており、自動回帰的な1ステップのロールアウトと、モデル全体をグランド・トゥルース・シーケンスで教師する微調整のステップが続く。 テストフェーズにおける自己回帰モデルロールアウト時のエラー蓄積を軽減するために,2段階のトレーニングアプローチが有効であることを示す。 以上の結果から, 両GNNは, 飽和列予測において同等の性能を示し, 圧力列予測における繰り返しGNNの性能は若干向上した。 トレーニングの第2段階はGNNモデルにとって有益であることが判明したが、再発したGNNモデルへの影響は低かった。 最後に、両GNNの時間外挿性能を検証した。 繰り返しGNNはGNNの精度を著しく上回り、長いシーケンスの予測に優れた能力を秘めている。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Multicoated and Folded Graph Neural Networks with Strong Lottery Tickets [3.0894823679470087]
  本稿では,アーキテクチャとパラメータの両面から検索空間を拡張するためのマルチステージ・フォールディング法とアンシャレッド・マスク法を提案する。 高空間性、競争性能、高メモリ効率を最大98.7%の削減で達成することにより、エネルギー効率の高いグラフ処理に適していることを示す。
  論文  参考訳（メタデータ） (2023-12-06T02:16:44Z)
• Jointly-Learned Exit and Inference for a Dynamic Neural Network : JEI-DNN [20.380620709345898]
  早期排他的動的ニューラルネットワーク(EDNN)は、中間層(即ち早期排他)からの予測の一部をモデルが行うことを可能にする。 EDNNアーキテクチャのトレーニングは、初期出力決定を制御するゲーティング機構(GM)と中間表現からの推論を実行する中間推論モジュール(IM)の2つのコンポーネントで構成されるため、難しい。 本稿では,これら2つのモジュールを接続する新しいアーキテクチャを提案する。これにより分類データセットの性能が大幅に向上し,不確実性評価機能の向上が期待できる。
  論文  参考訳（メタデータ） (2023-10-13T14:56:38Z)
• Learning CO$_2$ plume migration in faulted reservoirs with Graph Neural Networks [0.3914676152740142]
  我々は,CO$$ plumeマイグレーションに対する断層の影響を捉えるグラフベースのニューラルモデルを開発した。 本研究では, 断層を有する合成貯留層において, ガス飽和度と細孔圧力の経時的変化を正確に予測できることを実証した。 この研究は、複雑な断層と破壊を伴う地下流れを正確にかつ迅速にモデル化するためのGNNベースの手法の可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-16T06:47:47Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Spatial-Temporal-Fusion BNN: Variational Bayesian Feature Layer [77.78479877473899]
  我々は,BNNを大規模モデルに効率的にスケールするための時空間BNNを設計する。 バニラBNNと比較して,本手法はトレーニング時間とパラメータ数を著しく削減し,BNNのスケールアップに有効である。
  論文  参考訳（メタデータ） (2021-12-12T17:13:14Z)
• Surrogate and inverse modeling for two-phase flow in porous media via theory-guided convolutional neural network [0.0]
  理論誘導畳み込みニューラルネットワーク(TgCNN)フレームワークは、二相多孔質媒体フロー問題に拡張される。 検討された2つの主変数である圧力と飽和は2つのCNNと同時に近似される。 TgCNNサロゲートは二相流問題において通常のCNNサロゲートよりも精度が高い。
  論文  参考訳（メタデータ） (2021-10-12T14:52:37Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Fast Learning of Graph Neural Networks with Guaranteed Generalizability: One-hidden-layer Case [93.37576644429578]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから実際に学習する上で、近年大きな進歩を遂げている。 回帰問題と二項分類問題の両方に隠れ層を持つGNNの理論的に基底的な一般化可能性解析を行う。
  論文  参考訳（メタデータ） (2020-06-25T00:45:52Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。