論文の概要: Learning Pore-scale Multiphase Flow from 4D Velocimetry
- arxiv url: http://arxiv.org/abs/2603.12516v1
- Date: Thu, 12 Mar 2026 23:28:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.806953
- Title: Learning Pore-scale Multiphase Flow from 4D Velocimetry
- Title（参考訳）: 4次元速度計による多相流の学習
- Authors: Chunyang Wang, Linqi Zhu, Yuxuan Gu, Robert van der Merwe, Xin Ju, Catherine Spurin, Samuel Krevor, Rex Ying, Tobias Pfaff, Martin J. Blunt, Tom Bultreys, Gege Wen,
- Abstract要約: 多孔質媒質中の多相流は地下エネルギーと環境技術を支える。
時間分解マイクロ速度測定から多相間隙流を直接推定する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 21.658780881627536
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiphase flow in porous media underpins subsurface energy and environmental technologies, including geological CO$_2$ storage and underground hydrogen storage, yet pore-scale dynamics in realistic three-dimensional materials remain difficult to characterize and predict. Here we introduce a multimodal learning framework that infers multiphase pore-scale flow directly from time-resolved four-dimensional (4D) micro-velocimetry measurements. The model couples a graph network simulator for Lagrangian tracer-particle motion with a 3D U-Net for voxelized interface evolution. The imaged pore geometry serves as a boundary constraint to the flow velocity and the multiphase interface predictions, which are coupled and updated iteratively at each time step. Trained autoregressively on experimental sequences in capillary-dominated conditions ($Ca\approx10^{-6}$), the learned surrogate captures transient, nonlocal flow perturbations and abrupt interface rearrangements (Haines jumps) over rollouts spanning seconds of physical time, while reducing hour-to-day--scale direct numerical simulations to seconds of inference. By providing rapid, experimentally informed predictions, the framework opens a route to ''digital experiments'' to replicate pore-scale physics observed in multiphase flow experiments, offering an efficient tool for exploring injection conditions and pore-geometry effects relevant to subsurface carbon and hydrogen storage.
- Abstract（参考訳）: 多孔質媒体の多相流は、地質的なCO$2の貯蔵や地下水素貯蔵を含む地下エネルギーと環境技術を支えるが、現実的な3次元材料における細孔スケールのダイナミクスを特徴づけ、予測することは困難である。
本稿では,時間分解4次元(4次元)マイクロ速度測定から多相間隙流を直接推定する多モード学習フレームワークを提案する。
このモデルは、ラグランジアントレーサ粒子運動のためのグラフネットワークシミュレータと3次元U-Netを結合して、ボキセル化インタフェースの進化を行う。
画像付き細孔形状は、フロー速度と多相界面予測との境界制約として機能し、各タイムステップで繰り返し更新される。
キャピラリーが支配する条件(Ca\approx10^{-6}$)における実験シーケンスを自己回帰的に訓練し、学習されたサロゲートは、過渡的、非局所的な流れの摂動と突然の界面再構成(Haines jump)を物理的時間にまたがるロールアウトで捕捉し、時間から日毎の直接数値シミュレーションを数秒の推論に還元する。
迅速かつ実験的に示唆された予測を提供することで、多相流実験で観測された多孔質物理を再現する「デジタル実験」への道を開き、地中炭素や水素の貯蔵に関連する注入条件や孔質幾何学的効果を探索する効率的なツールを提供する。
関連論文リスト
- Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - SurfPhase: 3D Interfacial Dynamics in Two-Phase Flows from Sparse Videos [37.70003012602796]
スパースカメラビューから3次元界面力学を再構成する新しいモデルであるSurfPhaseを提案する。
高速プール沸騰ビデオの新しいデータセットについて評価し,2つのカメラビューのみから高品質なビュー合成と速度推定を実証した。
論文 参考訳（メタデータ） (2026-02-11T18:59:55Z) - EMoTive: Event-guided Trajectory Modeling for 3D Motion Estimation [59.33052312107478]
イベントカメラは、シーン変化に対する連続的適応ピクセルレベル応答による3次元モーション推定の可能性を提供する。
本稿では,イベント誘導パラメトリック曲線を用いた一様軌道をモデル化するイベントベースフレームワークであるEMoveについて述べる。
動作表現には,事象誘導下での空間的特徴と時間的特徴を融合する密度認識適応機構を導入する。
最終3次元運動推定は、パラメトリック軌道、流れ、深度運動場の多時間サンプリングによって達成される。
論文 参考訳（メタデータ） (2025-03-14T13:15:54Z) - Learning Pore-scale Multi-phase Flow from Experimental Data with Graph Neural Network [2.2101344151283944]
現在の数値モデルは、しばしば実験で観測された複雑な細孔スケールの物理学を正確に捉えることができない。
我々は,マイクロCT実験データを用いて,グラフニューラルネットワークを用いた多孔質流体の流れを直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T15:01:17Z) - Unfolding Time: Generative Modeling for Turbulent Flows in 4D [49.843505326598596]
本研究では,4次元生成拡散モデルと物理インフォームドガイダンスを導入し,現実的な流れ状態列の生成を可能にする。
提案手法は, 乱流多様体からのサブシーケンス全体のサンプリングに有効であることが示唆された。
この進展は、乱流の時間的進化を分析するために生成モデリングを適用するための扉を開く。
論文 参考訳（メタデータ） (2024-06-17T10:21:01Z) - 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) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z) - ML-LBM: Machine Learning Aided Flow Simulation in Porous Media [0.0]
多孔質媒質内の流体流動の直接シミュレーションは、合理的な時間枠で解くために重要な計算資源を必要とする。
流体流の予測と直接流シミュレーションを組み合わせた統合手法について概説する。
畳み込みニューラルネットワーク(CNN)に基づくディープラーニング技術により,定常速度場を正確に推定できることが示されている。
論文 参考訳（メタデータ） (2020-04-22T01:55:59Z)
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。