論文の概要: An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction

• arxiv url: http://arxiv.org/abs/2509.13841v1
• Date: Wed, 17 Sep 2025 09:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.798756
• Title: An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction
• Title（参考訳）: 透過性予測のためのエンド・ツー・エンド微分可能グラフニューラルネットワーク組込み細孔ネットワークモデル
• Authors: Qingqi Zhao, Heng Xiao,
• Abstract要約: 細孔ネットワークモデル (PNMs) は細孔スケールの油圧コンダクタンスを推定し、その精度を複雑な構造で制限する。 本稿では,グラフニューラルネットワーク(GNN)をPNMに組み込む,エンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 このモデルは高い精度を達成し、様々なスケールでうまく結合し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of permeability in porous media is essential for modeling subsurface flow. While pure data-driven models offer computational efficiency, they often lack generalization across scales and do not incorporate explicit physical constraints. Pore network models (PNMs), on the other hand, are physics-based and efficient but rely on idealized geometric assumptions to estimate pore-scale hydraulic conductance, limiting their accuracy in complex structures. To overcome these limitations, we present an end-to-end differentiable hybrid framework that embeds a graph neural network (GNN) into a PNM. In this framework, the analytical formulas used for conductance calculations are replaced by GNN-based predictions derived from pore and throat features. The predicted conductances are then passed to the PNM solver for permeability computation. In this way, the model avoids the idealized geometric assumptions of PNM while preserving the physics-based flow calculations. The GNN is trained without requiring labeled conductance data, which can number in the thousands per pore network; instead, it learns conductance values by using a single scalar permeability as the training target. This is made possible by backpropagating gradients through both the GNN (via automatic differentiation) and the PNM solver (via a discrete adjoint method), enabling fully coupled, end-to-end training. The resulting model achieves high accuracy and generalizes well across different scales, outperforming both pure data-driven and traditional PNM approaches. Gradient-based sensitivity analysis further reveals physically consistent feature influences, enhancing model interpretability. This approach offers a scalable and physically informed framework for permeability prediction in complex porous media, reducing model uncertainty and improving accuracy.
• Abstract（参考訳）: 多孔質媒体の透過性の正確な予測は地下流れのモデル化に不可欠である。 純粋なデータ駆動モデルは計算効率を提供するが、しばしばスケール全体の一般化を欠き、明示的な物理的制約を含まない。 一方、細孔ネットワークモデル(PNM)は物理ベースで効率的であるが、細孔スケールの油圧コンダクタンスを推定するために理想的な幾何学的仮定に依存しており、複雑な構造において精度を制限している。 これらの制限を克服するために、グラフニューラルネットワーク(GNN)をPNMに埋め込むエンドツーエンドの差別化可能なハイブリッドフレームワークを提案する。 本枠組みでは, コンダクタンス計算に用いる解析式を, 細孔および喉頭の特徴から導かれるGNNベースの予測に置き換える。 予測コンダクタンスをPNMソルバに渡して透過性計算を行う。 このようにして、このモデルはPNMの理想化された幾何学的仮定を回避し、物理ベースのフロー計算を保存する。 GNNは、ラベル付きコンダクタンスデータを必要とせずにトレーニングされる。これは、ポーアネットワーク当たり数千に番号を付けることができ、代わりに、トレーニングターゲットとして単一のスカラー透過性を使用することで、コンダクタンス値を学ぶ。 これは(自動微分による)GNNと(離散随伴法による)PNMソルバの両方を通して勾配をバックプロパゲートすることで可能であり、完全に結合したエンドツーエンドのトレーニングを可能にする。 得られたモデルは高い精度を達成し、様々なスケールでよく一般化し、純粋なデータ駆動型アプローチと従来のPNMアプローチの両方より優れている。 勾配に基づく感度解析により、物理的に一貫した特徴の影響が明らかになり、モデルの解釈可能性も向上する。 このアプローチは、複雑な多孔質媒体における透過性予測のためのスケーラブルで物理的に情報を得たフレームワークを提供し、モデルの不確実性を低減し、精度を向上させる。

関連論文リスト

• LaPON: A Lagrange's-mean-value-theorem-inspired operator network for solving PDEs and its application on NSE [8.014720523981385]
  ラグランジュの平均値定理に着想を得た演算子ネットワークであるLaPONを提案する。 損失関数ではなく、ニューラルネットワークアーキテクチャに直接、事前の知識を組み込む。 LaPONは、高忠実度流体力学シミュレーションのためのスケーラブルで信頼性の高いソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-18T10:45:17Z)
• Mean flow data assimilation using physics-constrained Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)と最適化手法を統合し,平均流路復元の精度を高める新しいデータ同化手法を提案する。 GNNフレームワークは非構造化データを扱うのに適しており、計算流体力学(CFD)で遭遇する複雑な測地に共通している。 その結果,データ駆動モデルに類似するモデルと比較して,訓練データに制限がある場合でも,平均フロー再構成の精度は著しく向上した。
  論文  参考訳（メタデータ） (2024-11-14T14:31:52Z)
• Gibbs-Duhem-Informed Neural Networks for Binary Activity Coefficient Prediction [45.84205238554709]
  本稿では,Gibs-Duhem-informed Neural Network を用いて,様々な組成における二成分活性係数の予測を行う。 ニューラルネットワークの学習における損失関数にギブス・デュヘム方程式を明示的に含んでいる。
  論文  参考訳（メタデータ） (2023-05-31T07:36:45Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)
• Physics-Informed Neural Network Method for Solving One-Dimensional Advection Equation Using PyTorch [0.0]
  PINNのアプローチは、最適化の強い制約としてPDEを尊重しながらニューラルネットワークのトレーニングを可能にします。 標準的な小規模循環シミュレーションでは、従来のアプローチは乱流拡散モデルの効果とほぼ同じ大きさの擬似拡散効果を組み込むことが示されている。 テストされた全てのスキームのうち、ピンズ近似のみが結果を正確に予測した。
  論文  参考訳（メタデータ） (2021-03-15T05:39:17Z)

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。