論文の概要: Applying Two-Grid Preconditioner for Subsurface Flow Simulation using Attention-enhanced Hybrid Network to Accelerate Multiscale Discretization in High-contrast Media
- arxiv url: http://arxiv.org/abs/2606.02582v1
- Date: Wed, 15 Apr 2026 10:36:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.605188
- Title: Applying Two-Grid Preconditioner for Subsurface Flow Simulation using Attention-enhanced Hybrid Network to Accelerate Multiscale Discretization in High-contrast Media
- Title（参考訳）: 高コントラスト媒体におけるマルチスケール離散化促進のための注意型ハイブリッドネットワークを用いた地下流動シミュレーションのための2グリッドプレコンディショナーの適用
- Authors: Peiqi Li, Jie Chen, Shubin Fu,
- Abstract要約: 高コントラスト透過性を有する強不均一媒質中におけるダルシー方程式の効率的な数値解について検討した。
本稿では,学習とマルチスケール数値手法を組み合わせたハイブリッド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）: 5.481597473968779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we study the efficient numerical solution of Darcy equations in strongly heterogeneous media with high-contrast permeability and propose a hybrid framework that combines learning with multiscale numerical methods. The learning component is used for the prediction of multiscale basis functions in the mixed generalized multiscale finite element method (mixed GMsFEM), with the goal of reducing the repeated local computations required in the offline stage. Once these basis functions are predicted, the global system is assembled and the pressure field is computed by a two-grid preconditioned solver. The resulting method accelerates the costly local basis-construction stage while retaining the multiscale discretization and preconditioned iterative structure of the underlying solver. Numerical experiments on two-dimensional heterogeneous Darcy problems show that the proposed framework yields more accurate final pressure reconstruction than several representative learning-based methods and remains stable under strong heterogeneity and high-contrast coefficients. In comparison with the traditional mixed GMsFEM, its main advantage lies in the efficiency of the basis-generation stage, while the quality of the global solve is still ensured by the two-grid preconditioner. These results indicate that accelerating multiscale basis construction through learning, while preserving a mature numerical solver for the global problem, provides a viable approach for high-resolution Darcy-type simulations.
- Abstract（参考訳）: 本稿では,高コントラスト透過性を有する強ヘテロジニアス媒質中におけるダルシー方程式の効率的な数値解について検討し,学習とマルチスケール数値法を組み合わせたハイブリッドフレームワークを提案する。
学習成分は,混合一般化多スケール有限要素法(混合GMsFEM)におけるマルチスケール基底関数の予測に使用される。
これらの基底関数が予測されると、大域系が組み立てられ、圧力場は2グリッドの事前条件解法によって計算される。
提案手法は,マルチスケールの離散化と事前条件付反復構造を維持しつつ,コストのかかる局所的基本構成段階を高速化する。
2次元不均質ダーシー問題の数値実験により,提案手法はいくつかの代表的な学習法よりも高精度な最終圧力再構成を実現し,強い不均質および高コントラスト係数の下で安定であることが示された。
従来の混合GMsFEMと比較して、その主な利点はベースジェネレーションの効率にあるが、グローバルな解の質は2グリッドのプレコンディショナーによって保証されている。
これらの結果は,グローバルな問題に対する成熟した数値解法を保ちながら,学習によるマルチスケール基盤構築を加速させることが,高分解能ダルシー型シミュレーションに有効なアプローチであることを示唆している。
関連論文リスト
- Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。
既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
論文 参考訳（メタデータ） (2026-05-27T14:02:20Z) - Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。
既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。
本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
論文 参考訳（メタデータ） (2025-12-28T05:48:55Z) - Multi-Fidelity Delayed Acceptance: hierarchical MCMC sampling for Bayesian inverse problems combining multiple solvers through deep neural networks [0.3499870393443268]
逆不確実量化(UQ)タスクは、物理モデルを扱う際に計算的に要求される。
データ駆動サロゲートモデルは、評価コストを削減するのに役立つが、高忠実度データを生成するコストによって、その実用性は制限されることが多い。
ベイズ逆問題に対するマルチフィデリティ遅延アクセプタンス方式を提案する。
論文 参考訳（メタデータ） (2025-12-18T11:32:16Z) - Dual-Domain Deep Learning Method to Accelerate Local Basis Functions Computation for Reservoir Simulation in High-Contrast Porous Media [6.1607662231604445]
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。
論文 参考訳（メタデータ） (2025-11-18T02:55:59Z) - FMIP: Joint Continuous-Integer Flow For Mixed-Integer Linear Programming [52.52020895303244]
Mixed-Integer Linear Programming (MILP)は、複雑な意思決定問題の基本的なツールである。
混合整数線形計画法(FMIP)のための連立連続整数フローを提案する。これはMILPソリューションにおける整数変数と連続変数の共分散をモデル化する最初の生成フレームワークである。
FMIPは任意のバックボーンネットワークや様々なダウンストリームソルバと完全に互換性があり、現実世界のMILPアプリケーションにも適している。
論文 参考訳（メタデータ） (2025-07-31T10:03:30Z) - 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) - Differentiable DG with Neural Operator Source Term Correction [0.0]
圧縮可能なNavier-Stokes方程式を解くためのエンドツーエンドの微分可能なフレームワークを提案する。
この統合アプローチは、微分可能不連続なガレルキン解法とニューラルネットワークのソース項を組み合わせる。
提案するフレームワークの性能を2つの例で示す。
論文 参考訳（メタデータ） (2023-10-29T04:26:23Z) - A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。
これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。
本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Combining Deep Learning and Optimization for Security-Constrained
Optimal Power Flow [94.24763814458686]
セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。
SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。
本稿では,ディープラーニングとロバスト最適化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） (2020-07-14T12:38:21Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z)
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。