May, 2022

PTFlash: 用于等温两相平衡计算的深度学习框架

HTML
PDF
TL;DR本文介绍了一种GPU加速的PTFlash框架，用于计算多相多组分介质流的等温两相平衡。同时，该框架设计了两种使用离线训练的神经网络，用于在不稳定分析和迭代次数减少的情况下加速计算。实验结果表明，使用PTFlash进行计算可提高两个数量级的速度，并能与基于C++的Carnot库提供的参考解保持完美精度。
发现论文，激发创造
  • U-FNO – 多相流增强傅里叶神经算子深度学习模型

    U-FNO是一种基于傅里叶神经算子的新颖神经网络结构，可用于解决在多孔介质中的多相流问题，相较于传统卷积神经网络模型和ML模型，U-FNO模型在CO2注入问题中具有更高的准确性和数据利用率，只需三分之一的训练数据即可实现与该项目等效的准确性。

    Sep, 2021

  • 通过耦合TgNN代理模型对多孔介质中的两相流量进行不确定性量化

    本研究介绍了一种新型的基于理论引导神经网络的代理模型，用于解决地下双相流问题中的不确定性量化，旨在提高计算效率，同时保证准确性。该模型不仅依赖标记数据，而且还将科学原理和经验规则作为附加组件纳入丢失函数。实验表明，该模型在地下双相流问题的不确定性量化任务中具有良好的准确性和强大的鲁棒性。

    May, 2022

  • 偏微分方程与深度神经网络的结合：综述

    本文对深度神经网络用于偏微分方程(PDEs)求解的现状和潜在应用进行了综述，分析和分类了相关方法在科学研究和工程场景中的应用，介绍了这一领域的来源、历史、特点、类型以及未来趋势。

    Oct, 2022

  • SciAI4Industry -- 利用深度学习解决行业规模问题中的偏微分方程(PDEs)

    本研究介绍了一种基于 Julia 语言的分布式编程 API，该API可以在云上平行模拟训练数据，并展示了PDE问题领域分解的模型并行深度学习方法，在解决大规模PDE问题方面大幅提高了效率。

    Nov, 2022

  • 物理知识驱动的神经网络在早期和晚期自发逆流浸润模拟和预测中的应用

    本文提出将变量重新定义为物理变量来减少问题的非线性性，以提高溶液饱和度计算的精度和计算效率，并使用物理驱动的神经网络（PINNs）以及变量改变技术来解决一维反向自发浸润问题，并对三种不同表示形式进行比较。

    May, 2023

  • 通过通量函数算符学习多孔介质中多相流传输的泛解决方案

    本文介绍了一种新的深度学习算法——PI-DeepONets用于求解Buckley-Leverett偏微分方程并在多个科学和工程领域实现了四个数量级的速度提升，为传输问题研究提供了有前途的工具。

    Jul, 2023

  • 图卷积网络在多相流和多孔介质中的仿真中的应用

    基于图卷积网络（GCN）的代理模型用于近似多相流体动力学在多孔介质中的时空解，并在不规则域几何和非结构化网格上具有良好的泛化能力。

    Jul, 2023

  • 基于迁移学习的物理信息卷积神经网络模拟多孔介质中的流动与时变控制

    基于物理信息的卷积神经网络被提出用于模拟具有时间变化的井控的多相流体在多孔介质中的情况，该网络参数化了解决方案以建立控制到状态的回归关系。

    Oct, 2023

  • 基于知识的卷积神经网络模拟和预测两相达西流动

    通过将离散化的微分方程融入到PINN框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

    Apr, 2024

  • 利用神经偏微分方程代理加速两相流模拟

    通过研究和扩展神经PDE求解器，本文探讨了将模拟应用于两相流问题和孔隙中的油排出模拟方面的方法。我们在基线方法的基础上引入了空间条件、边界周期性和近似质量守恒等特征，并对其进行了量化评估和削弱研究，发现这些方法可以准确地模拟油滴动力学，且速度提升高达三个数量级，同时引入的不同几何形状构成了一个更具挑战性的设置。

    May, 2024