論文の概要: Dual-Domain Deep Learning Method to Accelerate Local Basis Functions Computation for Reservoir Simulation in High-Contrast Porous Media

• arxiv url: http://arxiv.org/abs/2511.20685v1
• Date: Tue, 18 Nov 2025 02:55:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.741891
• Title: Dual-Domain Deep Learning Method to Accelerate Local Basis Functions Computation for Reservoir Simulation in High-Contrast Porous Media
• Title（参考訳）: 高コントラスト多孔質媒質における貯留層シミュレーションのための局所基底関数計算の高速化のためのデュアルドメイン深層学習法
• Authors: Peiqi Li, Jie Chen,
• Abstract要約: 不均質多孔質媒質中のダーシーフローは貯水池シミュレーションにおける中心的な問題である。 MGMsFEM(Mixed Generalized Multiscale Finite Element Method)は、これらの課題に対処するための効果的なフレームワークを提供する。 マルチスケール基底関数の計算を高速化する二領域深層学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.1607662231604445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In energy science, Darcy flow in heterogeneous porous media is a central problem in reservoir sim-ulation. However, the pronounced multiscale characteristics of such media pose significant challenges to conventional numerical methods in terms of computational demand and efficiency. The Mixed Generalized Multiscale Finite Element Method (MGMsFEM) provides an effective framework for addressing these challenges, yet the construction of multiscale basis functions remains computationally expensive. In this work, we propose a dual-domain deep learning framework to accelerate the computation of multiscale basis functions within MGMsFEM for solving Darcy flow problems. By extracting and decoding permeability field features in both the frequency and spatial domains, the method enables rapid generation of numerical matrices of multiscale basis functions. Numerical experiments demonstrate that the proposed framework achieves significant computational acceleration while maintaining high approximation accuracy, thereby offering the potential for future applications in real-world reservoir engineering.
• Abstract（参考訳）: エネルギー科学において、不均一多孔質媒質中のダーシーフローは貯水池シミュレーションの中心的な問題である。 しかし,そのようなメディアのマルチスケール特性は,計算需要と効率の面で従来の数値手法に重大な課題を生んでいる。 MGMsFEM(Mixed Generalized Multiscale Finite Element Method)はこれらの課題に対処するための効果的なフレームワークを提供するが、マルチスケール基底関数の構築には計算コストがかかる。 本研究では,Darcyフロー問題の解法として,MGMsFEM内のマルチスケール基底関数の計算を高速化する2領域ディープラーニングフレームワークを提案する。 周波数領域と空間領域の両方で透過性フィールドの特徴を抽出・復号することにより,マルチスケール基底関数の数値行列を高速に生成することができる。 数値実験により,提案フレームワークは高い近似精度を維持しつつ,高い計算高速化を実現し,現実の貯水池工学における将来的な応用の可能性を示す。

関連論文リスト

• Sequential Bayesian Design for Efficient Surrogate Construction in the Inversion of Darcy Flows [2.8222764383589456]
  偏微分方程式(PDE)が支配する逆問題は、計算科学、画像処理、工学など様々な分野において重要な役割を果たしている。 確率の高い領域が未知であるため,提案するサロゲートを得るためのシーケンシャルなベイズ設計戦略を導入する。 ダルシー流方程式に基づく3つの実験は、逆精度と計算速度の両面から提案手法の利点を実証する。
  論文  参考訳（メタデータ） (2025-07-23T17:25:14Z)
• Hybrid Two-Stage Reconstruction of Multiscale Subsurface Flow with Physics-informed Residual Connected Neural Operator [6.1607662231604445]
  本稿では,マルチスケール基底関数と物理誘導深層学習を用いてDarcyフロー問題を解決するハイブリッド2段階フレームワークを提案する。 このフレームワークは、基底関数の嵌合と圧力再構成の点で0.9以上のR2値を達成し、残差指標は10-4$のオーダーである。
  論文  参考訳（メタデータ） (2025-01-22T23:28:03Z)
• A MgNO Method for Multiphase Flow in Porous Media [4.521491894006907]
  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。
  論文  参考訳（メタデータ） (2024-06-16T11:27:43Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• 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)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Physics-informed Deep Super-resolution for Spatiotemporal Data [18.688475686901082]
  ディープ・ラーニングは、粗い粒度のシミュレーションに基づいて科学的データを増やすのに使うことができる。 物理インフォームドラーニングにインスパイアされた、豊かで効率的な時間的超解像フレームワークを提案する。 その結果,提案手法の有効性と効率が,ベースラインアルゴリズムと比較して優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-02T13:57:35Z)
• 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)
• A Bayesian Multiscale Deep Learning Framework for Flows in Random Media [0.0]
  マルチスケール偏微分方程式(PDE)によって制御される複雑なシステムの微細スケールシミュレーションは計算コストが高く,そのような問題に対処する様々なマルチスケール手法が開発されている。 本研究では,学習データに制限のあるマルチスケールPDEのためのハイブリッドディープラーニングとマルチスケールアプローチを提案する。 実演目的では,多孔質メディアフローの問題に焦点をあてる。 画像から画像への教師あり深層学習モデルを用いて,入力透過性場とマルチスケール基底関数のマッピングを学習する。
  論文  参考訳（メタデータ） (2021-03-08T23:11:46Z)

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。