論文の概要: CO$_2$ sequestration hybrid solver using isogeometric alternating-directions and collocation-based robust variational physics informed neural networks (IGA-ADS-CRVPINN)
- arxiv url: http://arxiv.org/abs/2604.20731v1
- Date: Wed, 22 Apr 2026 16:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:11.223191
- Title: CO$_2$ sequestration hybrid solver using isogeometric alternating-directions and collocation-based robust variational physics informed neural networks (IGA-ADS-CRVPINN)
- Title（参考訳）: CO$_2$Sequestration hybridsolvr using isogeometric alternating-direction and collocation-based robust variational Physics Information Neural Network (IGA-ADS-CRVPINN)
- Authors: Askold Vilkha, Tomasz Służalec, Marcin Łoś, Maciej Paszyński,
- Abstract要約: この研究は、化学反応を除く多孔質構造における$CO$の物理的挙動をシミュレートすることに焦点を当てている。
ACK CYFRONETのARESクラスタから1つの計算ノードで3倍以上高速である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents the hybrid solver for a $CO_2$ sequestration problem. The solver uses the IGA-ADS (IsoGeometric Analysis Alternating Directions solver) to compute the saturation scalar field update using the explicit method, and CRVPINN (Collocation-based Robust Variational Physics Informed Neural Networks solver) to compute the pressure scalar field. The study focuses on simulating the physical behavior of $CO_2$ in porous structures, excluding chemical reactions. The mathematical model is based on Darcy's Law. The CRVPINN is pretrained on the initial pressure configuration, and the time step pressure updates require only 100 iterations of the Adam method per time step. We compare our hybrid IGA-ADS solver, coupled with the CRVPINN method, with a baseline of the IGA-ADS solver coupled with the MUMPS direct solver. Our hybrid solver is over 3 times faster on a single computational node from the ARES cluster of ACK CYFRONET. Future work includes extensive testing, inverse problem solving, and potential application to $H_2$ storage problems.
- Abstract（参考訳）: 本稿では,CO_2$隔離問題に対するハイブリッド解法を提案する。
IGA-ADS(IsoGeometric Analysis Alternating Directionssolvr)を用いて、明示的な手法を用いて飽和スカラーフィールド更新を計算し、CRVPINN(Collocation-based Robust Variational Physics Informed Neural Networkssolvr)を用いて圧力スカラーフィールドを算出する。
この研究は、化学反応を除く多孔質構造におけるCO_2$の物理的挙動をシミュレートすることに焦点を当てている。
数学モデルはダーシーの法則に基づいている。
CRVPINNは初期圧力設定で事前トレーニングされており、タイムステップのプレッシャー更新は、タイムステップ毎にAdamメソッドの100イテレーションしか必要としない。
CRVPINN法と組み合わせたハイブリッドIGA-ADSソルバとMUMPS直接解器を併用したIGA-ADSソルバのベースラインを比較した。
ACK CYFRONETのARESクラスタから1つの計算ノードで3倍以上高速である。
今後の作業には、広範なテスト、逆問題解決、ストレージ問題への潜在的なアプリケーションが含まれる。
関連論文リスト
- A Numerical Method for Coupling Parameterized Physics-Informed Neural Networks and FDM for Advanced Thermal-Hydraulic System Simulation [0.0]
MELCORのようなシステムレベルのコードを用いた重大事故解析は、核安全性評価には不可欠である。
既存のサロゲートモデルはこれらの解析を加速するが、大量のシミュレーションデータに依存する。
物理インフォームドニューラルネットワーク(PINN)は、データフリーなトレーニングを可能にするが、問題パラメータの変更毎に再トレーニングする必要がある。
論文 参考訳（メタデータ） (2026-04-03T02:50:58Z) - Autonomous Adaptive Solver Selection for Chemistry Integration via Reinforcement Learning [0.0]
本稿では,化学統合中に暗黙的BDF積分器(CVODE)と準定常解器(QSS)を自律的に選択する制約付き強化学習(RL)フレームワークを提案する。
0D同質の原子炉条件全体では、RL適応政策は平均速度が約3倍、速度が1.11倍から10.58倍になる。
再訓練なしでは、0D訓練された政策は1D逆流拡散炎に10ドル-2000mathrms-1$で移行し、一貫した$approx 2.2を提供する。
論文 参考訳（メタデータ） (2026-03-31T21:44:58Z) - INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。
$mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。
大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
論文 参考訳（メタデータ） (2025-11-16T20:14:28Z) - A Natural Primal-Dual Hybrid Gradient Method for Adversarial Neural Network Training on Solving Partial Differential Equations [9.588717577573684]
偏微分方程式(PDE)を解くためのスケーラブルな事前条件付き原始ハイブリッド勾配アルゴリズムを提案する。
本稿では,提案手法の性能を,一般的なディープラーニングアルゴリズムと比較する。
その結果,提案手法は効率的かつ堅牢に動作し,安定に収束することが示唆された。
論文 参考訳（メタデータ） (2024-11-09T20:39:10Z) - Coarse Graining with Neural Operators for Simulating Chaotic Systems [78.64101336150419]
カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。
このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。
この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-09T17:05:45Z) - Matching the Statistical Query Lower Bound for $k$-Sparse Parity Problems with Sign Stochastic Gradient Descent [83.85536329832722]
我々は、2層完全連結ニューラルネットワーク上での符号勾配降下(SGD)による$k$スパースパリティ問題を解く。
このアプローチは、$d$次元ハイパーキューブ上での$k$スパースパリティ問題を効率的に解くことができることを示す。
次に、符号SGDを持つトレーニングニューラルネットワークが、この優れたネットワークを効果的に近似し、小さな統計的誤差で$k$-parity問題を解く方法を示す。
論文 参考訳（メタデータ） (2024-04-18T17:57:53Z) - Burgers' pinns with implicit euler transfer learning [0.0]
バーガーズ方程式は、いくつかの現象の計算モデルにおいて確立されたテストケースである。
本稿では,バーガース方程式を解くために,暗黙のオイラー変換学習手法を用いた物理情報ニューラルネットワーク(PINN)の適用について述べる。
論文 参考訳（メタデータ） (2023-10-23T20:15:45Z) - Learning To Dive In Branch And Bound [95.13209326119153]
グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。
我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
論文 参考訳（メタデータ） (2023-01-24T12:01:45Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳（メタデータ） (2022-06-01T18:48:01Z)
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。