图卷积网络在多相流和多孔介质中的仿真中的应用
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。
Jun, 2023
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
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用,证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
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
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
提出一种物理约束卷积神经网络 (PC-CNN) 来解决非线性、时空变化的偏微分方程 (PDE) 逆问题,演示 PC-CNN 在处理空间可变的拟偏误数据、重构高分辨率空间解以及分析纳维 - 斯托克斯方程的表现。
Jan, 2024
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
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
本文开发了一个混合(图)神经网络,利用传统的图卷积网络和内嵌可微流体动力学模拟器相结合,在利用较粗略的问题表示进行实际 CFD 模拟的同时,通过结合实际 CFD 模拟器和图网络,我们展示了我们能够很好地推广到新的情况并受益于神经网络 CFD 预测的显着加速,同时还大大优于单独的粗略的 CFD 模拟。
Jul, 2020