論文の概要: Surrogate models for Rock-Fluid Interaction: A Grid-Size-Invariant Approach

• arxiv url: http://arxiv.org/abs/2602.22188v1
• Date: Wed, 25 Feb 2026 18:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.950739
• Title: Surrogate models for Rock-Fluid Interaction: A Grid-Size-Invariant Approach
• Title（参考訳）: 岩-流体相互作用のサロゲートモデル:グリッド-サイズ-不変アプローチ
• Authors: Nathalie C. Pinheiro, Donghu Guo, Hannah P. Menke, Aniket C. Joshi, Claire E. Heaney, Ahmed H. ElSheikh, Christopher C. Pain,
• Abstract要約: 多孔質媒質中の流動を予測するための8つの代理モデルを構築した。 そのうち4つは、圧縮のための1つのニューラルネットワークと予測のためのもう1つのニューラルネットワークに基づくリダクションオーダーモデル(ROM)である。 グリッドサイズ不変のアプローチは、トレーニング中のメモリ消費を減らすための信頼性の高い方法であることを示す。
• 参考スコア（独自算出の注目度）: 0.3518016233072556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modelling rock-fluid interaction requires solving a set of partial differential equations (PDEs) to predict the flow behaviour and the reactions of the fluid with the rock on the interfaces. Conventional high-fidelity numerical models require a high resolution to obtain reliable results, resulting in huge computational expense. This restricts the applicability of these models for multi-query problems, such as uncertainty quantification and optimisation, which require running numerous scenarios. As a cheaper alternative to high-fidelity models, this work develops eight surrogate models for predicting the fluid flow in porous media. Four of these are reduced-order models (ROM) based on one neural network for compression and another for prediction. The other four are single neural networks with the property of grid-size invariance; a term which we use to refer to image-to-image models that are capable of inferring on computational domains that are larger than those used during training. In addition to the novel grid-size-invariant framework for surrogate models, we compare the predictive performance of UNet and UNet++ architectures, and demonstrate that UNet++ outperforms UNet for surrogate models. Furthermore, we show that the grid-size-invariant approach is a reliable way to reduce memory consumption during training, resulting in good correlation between predicted and ground-truth values and outperforming the ROMs analysed. The application analysed is particularly challenging because fluid-induced rock dissolution results in a non-static solid field and, consequently, it cannot be used to help in adjustments of the future prediction.
• Abstract（参考訳）: 岩石-流体相互作用をモデル化するには、界面上の流体の流動挙動と反応を予測するために、偏微分方程式(PDE)の集合を解く必要がある。 従来の高忠実度数値モデルでは、信頼性の高い結果を得るために高解像度を必要とするため、膨大な計算コストがかかる。 これは、複数のシナリオを実行する必要がある不確実な定量化や最適化のようなマルチクエリ問題に対するこれらのモデルの適用性を制限する。 高忠実度モデルに代わる安価な代替品として、多孔質媒質中の流動を予測するための8つの代理モデルを開発する。 そのうち4つは、圧縮のための1つのニューラルネットワークと予測のためのもう1つのニューラルネットワークに基づくリダクションオーダーモデル(ROM)である。 その他の4つは、グリッドサイズの不変性を持つ単一ニューラルネットワークである。この用語は、トレーニング中に使用されるものよりも大きい計算領域を推論できるイメージ・ツー・イメージ・モデルを指す。 モデルサロゲートのための新しいグリッドサイズ不変フレームワークに加えて、UNetとUNet++アーキテクチャの予測性能を比較し、UNet++がサロゲートモデルでUNetより優れていることを実証する。 さらに, グリッドサイズ不変手法は, トレーニング中のメモリ消費を低減し, 予測値とグランドトルース値の相関関係が良好であり, ROMより優れていることを示す。 流体誘起岩の溶解は非定常固体場となり, 将来の予測の調整に役立てることができないため, 解析は特に困難である。

関連論文リスト

• Noise Hypernetworks: Amortizing Test-Time Compute in Diffusion Models [57.49136894315871]
  テストタイムスケーリングの新しいパラダイムは、推論モデルと生成視覚モデルにおいて驚くべきブレークスルーをもたらした。 本稿では,テスト時間スケーリングの知識をモデルに組み込むことの課題に対する1つの解決策を提案する。 拡散モデルにおいて、初期入力ノイズを変調するノイズハイパーネットワークにより、報酬誘導試験時間雑音の最適化を行う。
  論文  参考訳（メタデータ） (2025-08-13T17:33:37Z)
• Recurrent Interpolants for Probabilistic Time Series Prediction [10.422645245061899]
  リカレントニューラルネットワークやトランスフォーマーのような逐次モデルは、確率的時系列予測の標準となっている。 近年の研究では、拡散モデルやフローベースモデルを用いて、時系列計算や予測に拡張した生成的アプローチについて検討している。 本研究は、補間剤と制御機能付き条件生成に基づく、リカレントニューラルネットワークの効率と拡散モデルの確率的モデリングを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:52:48Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Multi-Hierarchical Surrogate Learning for Structural Dynamical Crash Simulations Using Graph Convolutional Neural Networks [5.582881461692378]
  カルトフレームの一連のサロゲートモデルを構造的に生成する多階層フレームワークを提案する。 マルチスケール現象では、粗いサロゲート上でマクロスケールの特徴が捉えられ、ミクロスケール効果はより微細なサロゲートによって解決される。 我々は、粗い表現上でパラメータ依存の低次元潜在力学を学習するグラフ畳み込みニューラルネットワークに基づくサロゲートを訓練する。
  論文  参考訳（メタデータ） (2024-02-14T15:22:59Z)
• A Training Rate and Survival Heuristic for Inference and Robustness Evaluation (TRASHFIRE) [1.622320874892682]
  この研究は、特定のモデルハイパーパラメータが、相手の存在下でモデルの性能にどのように影響するかを理解し予測する問題に対処する。 提案手法では、サバイバルモデル、最悪の例、コスト認識分析を用いて、特定のモデル変更を正確かつ正確に拒否する。 提案手法を用いて、最も単純なホワイトボックス攻撃に対して、ResNetは絶望的に反対であることを示す。
  論文  参考訳（メタデータ） (2024-01-24T19:12:37Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
  メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。 機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。 本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
  論文  参考訳（メタデータ） (2023-07-25T15:49:25Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。