論文の概要: An Adaptive Machine Learning Framework for Fluid Flow in Dual-Network Porous Media

• arxiv url: http://arxiv.org/abs/2603.19561v1
• Date: Fri, 20 Mar 2026 02:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.937911
• Title: An Adaptive Machine Learning Framework for Fluid Flow in Dual-Network Porous Media
• Title（参考訳）: デュアルネットワーク多孔質媒体における流体流れの適応機械学習フレームワーク
• Authors: V. S. Maduri, K. B. Nakshatrala,
• Abstract要約: DPPシステムの前方および逆モデリングのための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 PINNは、境界条件とともに混合形式の支配方程式を損失関数に直接エンコードする。 本質的にメッシュフリーであり、多孔質媒体の典型的な複雑な幾何学に適している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Porous materials -- natural or engineered -- often exhibit dual pore-network structures that govern processes such as mineral exploration and hydrocarbon recovery from tight shales. Double porosity/permeability (DPP) mathematical models describe incompressible fluid flow through two interacting pore networks with inter-network mass exchange. Despite significant advances in numerical methods, there remains a need for computational frameworks that enable rapid forecasting, data assimilation, and reliable inverse analysis. To address this, we present a physics-informed neural network (PINN) framework for forward and inverse modeling of DPP systems. The proposed approach encodes the governing equations in mixed form, along with boundary conditions, directly into the loss function, with adaptive weighting strategies to balance their contributions. Key features of the framework include adaptive weight tuning, dynamic collocation point selection, and the use of shared trunk neural architectures to efficiently capture the coupled behavior of the dual pore networks. It is inherently mesh-free, making it well-suited for complex geometries typical of porous media. It accurately captures discontinuities in solution fields across layered domains without introducing spurious oscillations commonly observed in classical finite element formulations. Importantly, the framework is well-suited for inverse analysis, enabling robust parameter identification in scenarios where key physical quantities -- such as the mass transfer coefficient in DPP models -- are difficult to measure directly. In addition, a systematic convergence analysis is provided to rigorously assess the stability, accuracy, and reliability of the method. The effectiveness and computational advantages of the approach are demonstrated through a series of representative numerical experiments.
• Abstract（参考訳）: 天然または人工の多孔質材料は、鉱物探査や固い頁岩からの炭化水素の回収といったプロセスを管理する二重の細孔網構造をしばしば示している。 DPP(Double Porosity/Permeability)の数学的モデルでは、ネットワーク間の物質交換を伴う2つの相互作用する細孔ネットワークを流れる非圧縮性流体の流れを記述している。 数値的な手法の進歩にもかかわらず、迅速な予測、データ同化、信頼性のある逆解析を可能にする計算フレームワークは依然として必要である。 そこで本研究では,DPPシステムの前方・逆モデリングのための物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 提案手法は, 制御方程式と境界条件とを混合形式で符号化し, 損失関数に直接適用し, それらの寄与のバランスをとるための適応重み付け戦略を提案する。 このフレームワークの主な特徴は、適応的なウェイトチューニング、動的コロケーションポイントの選択、二重孔ネットワークの結合挙動を効率的に捉えるために共有トランクニューラルアーキテクチャの使用である。 本質的にメッシュフリーであり、多孔質媒体の典型的な複雑な幾何学に適している。 古典的有限要素定式化でよく見られる刺激的な振動を導入することなく、層状領域の溶液場の不連続性を正確に捉える。 重要なことに、このフレームワークは逆解析に適しており、DPPモデルにおける質量移動係数のような重要な物理量を直接測定することが難しいシナリオにおいて、堅牢なパラメータ識別を可能にする。 さらに, 本手法の安定性, 精度, 信頼性を厳格に評価するために, 系統的収束解析を行う。 このアプローチの有効性と計算上の利点は、一連の代表的な数値実験によって実証される。

関連論文リスト

• Discovery of interaction and diffusion kernels in particle-to-mean-field multi-agent systems [41.99844472131922]
  マルチエージェントシステムにおけるインタラクションカーネルの学習のためのデータ駆動型フレームワークを提案する。 本研究の目的は, 軌道データから直接非局所相互作用と拡散項の関数形式を同定することである。
  論文  参考訳（メタデータ） (2026-03-16T21:19:25Z)
• Deep Deterministic Nonlinear ICA via Total Correlation Minimization with Matrix-Based Entropy Functional [41.05541240448253]
  ブラインドソース分離、特に独立成分分析(ICA)は、様々な信号処理領域で広く利用されている。 本稿では、これらの制約に対処するために設計された新しいディープニューラルネットワークベースのフレームワークであるディープ決定論的非線形独立成分分析(DDICA)を提案する。 DDICAは, シミュレーション信号混合, ハイパースペクトル画像アンミックス, 一次受容野のモデリング, およびfMRIデータ解析など, 様々な応用で検証された。
  論文  参考訳（メタデータ） (2025-12-31T19:44:19Z)
• Robust, Online, and Adaptive Decentralized Gaussian Processes [40.250871864353314]
  分散ランダムフーリエ機能ガウシアンプロセス(DRFGP)は、GPを情報フィルタ形式でキャストするオンライン分散アルゴリズムである。 DRFGPを2つの重要な方向に沿って拡張する。第1に、非定型的な観察の影響を下げるロバストフィルタの更新を導入し、第2に、時間変化関数に適応する動的適応機構を組み込むことにより、DRFGPを拡張する。 我々は,大規模な地球システムアプリケーションにおいて,その有効性を実証し,その可能性について検討した。
  論文  参考訳（メタデータ） (2025-09-22T16:49:49Z)
• An End-to-End Differentiable, Graph Neural Network-Embedded Pore Network Model for Permeability Prediction [0.42970700836450487]
  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。
  論文  参考訳（メタデータ） (2025-09-17T09:15:23Z)
• Physics-informed sensor coverage through structure preserving machine learning [8.009940044669191]
  適応的ソースローカライゼーションのための機械学習フレームワークを提案する。 エージェントは、リアルタイムな軌道計画とデータ同化のために結合された流体力学輸送システムの構造保存デジタルツインを使用する。
  論文  参考訳（メタデータ） (2025-09-12T15:54:13Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
  ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。 ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2025-06-01T22:55:55Z)
• 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)
• Mixture of Physical Priors Adapter for Parameter-Efficient Fine-Tuning [41.19870454097444]
  本稿では,ネットワークの重み付けを物理的に組み合わせてモデル化する手法を提案する。 熱拡散、波動伝播、ポアソンの定常方程式の3つの基礎方程式がそれぞれ固有のモデリング特性に寄与する。 MoPPAはPEFTの精度を最大2.1%向上させる。
  論文  参考訳（メタデータ） (2024-12-03T19:00:34Z)
• Using Parametric PINNs for Predicting Internal and External Turbulent Flows [6.387263468033964]
  提案するRANS-PINNフレームワークは,シリンダー上の流れの予測にのみ焦点をあてたものである。 本研究では,内流と外流の双方に対して,関連する乱流変数を予測する際の精度について検討する。
  論文  参考訳（メタデータ） (2024-10-24T17:08:20Z)

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。