Jun, 2023

利用图神经网络学习断层油藏中 CO2 延展规律

PDF
TL;DR利用基于 Graph Neural Network (GNNs) 的模型，结合 MeshGraphNet (MGN) 一步 GNN 模型和基于图形的卷积长 - 短期记忆（GConvLSTM）操作复杂的非结构化网格，在模拟地下复杂断层和裂缝的 CO2 地质储存过程中，准确预测气体饱和度和孔隙压力的时间演化并展现更高的准确度和更少的时间误差积累。
发现论文，激发创造
  • 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

  • 基于图神经网络的网格模拟框架

    本文提出了一种图神经网络框架来加速油气井寻优的过程，训练经过优化的 6000 个样本后，我们的 GNN 模型可以代替模拟运行，并在油气和碳封存等领域的井下优化中展示出巨大的潜力。

    Feb, 2022

  • 基于深度学习的代理模型在动态地下流问题中的数据同化

    开发了基于深度学习的代理模型，用于预测渠道化地质模型中的动态地下水流。它通过深度卷积和递归神经网络结构来支持，特别是使用了长短时记忆循环网络。使用深度代理模型可以减少预测的不确定性，提高模型速度，可能在未来应用更正式的后验采样方法来解决现实问题。

    Aug, 2019

  • 使用混合图网络模拟器学习大规模的地下模拟

    介绍了一种名为 Hybrid Graph Network Simulator（HGNS）的数据驱动替代模型，该模型可在学习 3D 地下流体流动的同时准确地预测流体流动。与以往的替代模型相比，HGNS 可以缩短推理时间并减少长期预测误差。

    Jun, 2022

  • 基于图神经网络的城市排水网络实时水力预测的代理模型

    基于图神经网络的代理模型提供了可解释且高效的解决方案，用于实时推理城市排水网络的水力预测问题，并通过物理引导机制将流量平衡和洪水发生约束限制在预测变量中，相较于基于神经网络的模型和基于物理模型，该代理模型在相同训练轮数后具有更好的水力预测准确性且加速了城市排水网络的实时预视。

    Apr, 2024

  • 图网络代理模型在地下流动优化中的应用

    通过图网络代理模型 (GNSM) 将流动模型转换为计算图，以将井位和控制优化。通过单相稳态压力解作为特征，在大量测试案例中，训练有素的 GNSM 能够提供 1-2% 的压力和饱和度的准确预测，并具有 36 倍的运行时间加速度，适用于地质模型的稳健优化。

    Dec, 2023

  • 大规模地质碳和能源储存的高效机器学习代理

    通过专门的机器学习模型和领域分解，该研究提出了一种减少大规模地质储存成本的方法，以增强机器学习在地质碳储存中的效率。

    Oct, 2023

  • 学习增强可扩展代理以用于网格物理学的科学计算算法

    本文讲解了如何通过域分解方案将 MeshGraphNets（MGN）应用于具有百万节点的 3D 网格，进而生成计算流体力学（CFD）模拟结果，并通过高阶数值积分技术提高 MGN 的准确性和训练时间，为其在实际应用中的大规模使用提供了有效的路径。

    Apr, 2023

  • 基于图神经网络的颗粒流代理模型

    该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

    May, 2023

  • 基于图神经网络学习的三维颗粒流动模拟

    使用图神经网络开发了基于 GNN 的 granular flows 模拟器（GNS），成功复现了各种纵横比的柱体崩塌的整体行为，并且计算速度比高保真数值模拟器快 300 倍。

    Nov, 2023