基于深度学习的迭代堆叠方法预测多孔介质中的反应性溶解
机器学习
2025-12-16 v2
摘要
模拟多孔介质中固体矿物的反应性溶解在许多地下应用中具有重要意义，包括碳捕集与封存（CCS）、地热系统和油气回收。由于传统的直接数值模拟器计算成本高昂，开发更快、更高效的替代方案至关重要。基于深度学习的解决方案，其中大多数建立在卷积神经网络（CNN）之上，最近被设计用于解决此问题。然而，这些解决方案仅限于近似一个域上的一个场（例如速度场）。在本手稿中，我们提出了一种新颖的深度学习方法，该方法结合了时间和空间信息，以在固定时间步长范围内预测溶解过程的未来状态，给定输入状态序列。整体性能，包括速度和预测准确性，在一个数值模拟数据集上得到了验证，将其预测结果与最先进的方法进行了比较，也实现了约 10^4 倍的速度提升，相比传统数值模拟器。
引用
@article{arxiv.2503.08410,
title = {A Deep-Learning Iterative Stacked Approach for Prediction of Reactive Dissolution in Porous Media},
author = {Marcos Cirne and Hannah Menke and Alhasan Abdellatif and Julien Maes and Florian Doster and Ahmed H. Elsheikh},
journal= {arXiv preprint arXiv:2503.08410},
year = {2025}
}
备注
24 pages, 16 figures