Apr, 2023

多孔介质扩散的深度学习

PDF
TL;DR本文采用卷积神经网络 (CNN) 来预测多孔介质的基本属性。该文分两项任务，第一项任务是利用几何分析来预测孔隙率和有效扩散系数，第二项任务则是通过重构系统的几何和浓度图来完成。其中，本文提出了两种不同种类的 CNN 模型，分别为 C-Net 和 U-Net。此外，U-Net 能够准确地重构浓度场，而且在各种数据类型上都表现出了良好的性能。
convolutional neural networksporous mediasupervised learninggeometry predictionconcentration map reconstruction
发现论文，激发创造
  • 使用卷积神经网络快速预测图像渗透性

    使用图像识别神经网络实现了从图像直接预测渗透率的方法，其包括多个步骤，如：生成多孔介质样本，通过流体动力学模拟计算渗透率，使用卷积神经网络训练模拟数据，验证模拟，加入已知物理参数进入神经网络模型预测结果，得到优秀的预测性能，相对于使用传统方法识别含有许多扩散孔的高异质性多孔介质，机器学习方法的准确性更高，并且相较于流体动力学模拟计算，计算时间减少许多。

    Sep, 2018

  • 使用生成对抗神经网络重建三维多孔介质

    通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

    Apr, 2017

  • 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

  • 扩散卷积神经网络

    介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

    Nov, 2015

  • 多孔晶体材料的等变网络

    本文基于 Deep Learning 方法，开发一个新模型，能够更加有效的预测含有孔隙结构的晶体物质的热吸附性能，该模型能够考虑到晶体的空间对称性和孔隙结构，并且在实验验证中表现良好。

    Apr, 2023

  • 基于深度学习的地质模型放大方法 —— 理论指导的卷积神经网络

    本论文通过使用深度学习的卷积神经网络方法，提高了地质模型上扩展方法的效率，实现了更快速的细尺度到粗尺度的转换。

    Dec, 2021

  • DiffusionNet: 面上不依赖离散化的学习

    本文提出了一种新的通用的深度学习方法，基于对简单扩散层高度有效的空间通信的理解。这种方法使得网络可以自动适应于 3D 表面的分辨率和采样变化，能够在不同的几何表示上进行离散化并且具有强鲁棒性和高效率，在三角网格表面分类、分割和非刚性对应等任务上表现出了最先进的结果。

    Dec, 2020

  • 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

  • 基于相类模型的参数化和数据同化的潜隐式扩散模型

    地质参数化中使用低维潜变量进行降维，结合扩散模型和隐含扩散模型，通过去噪实现从含有噪声的输入场生成新的地质实现，该模型经过稳定性测试，并用于基于集合的数据同化，实现了显著的不确定性降低和一致的地质模型。

    Jun, 2024

  • 平流增强卷积神经网络

    通过在卷积神经网络中引入对流，以及使用反应扩散神经元组件构建一个模拟反应 - 对流 - 扩散方程的高维网络，我们提出了一个物理上启发的体系结构来解决物理科学中基于时空序列的预测问题，并展示了该网络在一些时空数据集上的有效性。

    Jun, 2024