.png){kind=icon}
返回
Multi-scale enhanced multiwavelet-based operator learning model for multiphase flow simulation
.png){kind=icon}
OA
AI
DOI：10.1063/5.0257751.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多孔介质中多相流的数值模拟对地球科学问题至关重要。然而，由于这些问题的多物理场耦合和多尺度特性，数值模拟通常计算复杂且效率低下。近年来，提出了几种基于数据驱动的深度学习代理方法以克服这些困难，但它们在细尺度及全局长期演化精度、数据效率和鲁棒性方面仍存在局限性。我们提出了一种多尺度增强的多小波基模型（MS-MWT）用于多相流模拟。MS-MWT通过训练多尺度上的投影核来学习跨尺度的复杂依赖关系，同时在每个多小波分解-重构层上添加U-Net，以补偿由分解、重构和傅里叶截断引起的信息损失，并增强多尺度特征提取能力。这对于孔隙度异质性、多相流性质、注水配置和储层条件等高度复杂的CO2-水多相流问题，在提高精度和数据效率方面具有显著优势。我们还采用了一种通过傅里叶因子分解改进的非标准多小波表示，以降低模型复杂度并提高鲁棒性。与最佳增强傅里叶神经算子（U-FNO）相比，MS-MWT实现了最佳预测，使气体饱和度预测误差降低了29.03%，压力累积误差降低了23.53%。此外，它展现出更优的数据利用效率，仅使用2/3的数据即可达到与U-FNO相当或更优的精度。MS-MWT在具有逐渐增加噪声水平的数据上也表现出更强的鲁棒性。该模型的引入为解决复杂多相流问题提供了一种更准确且稳定的解决方案，并可推广至小数据集。
Keyword:
ENCODER-DECODER NETWORKS
CAPILLARY-PRESSURE
SUBSURFACE FLOW
OIL-RECOVERY
UNCERTAINTY
HETEROGENEITY
STORAGE
SCALE
期刊
IF:
4.3
论文数:
2.9W
被引数:
8.0W
机构
暂无机构信息
引用论文
Deep Convolutional Encoder‐Decoder Networks for Uncertainty Quantification of Dynamic Multiphase Flow in Heterogeneous Media深度卷积编码器-解码器网络，用于对异质介质中的动态多相流进行不确定性量化
OAAI
OAAI分享收藏Prediction of porous media fluid flow using physics informed neural networks基于物理神经网络的多孔介质流体流动预测
PREAI
分享收藏LIMITATIONS OF PHYSICS INFORMED MACHINE LEARNING FOR NONLINEAR TWO-PHASE TRANSPORT IN POROUS MEDIAOAAI
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Pore-scale modelling and sensitivity analyses of hydrogen-brine multiphase flow in geological porous media.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容