多孔介质多物理过程模拟的自动求解器选择

多孔介质过程涉及多种物理现象，如力学变形、输运和流体流动。精确的模拟必须捕捉这些现象之间的强耦合。为多物理问题选择高效的求解器通常需要将问题解耦为与单独物理现象相关的子问题。然后，必须为每个子问题选择合适的求解器和迭代方案。求解器组件的广泛选择使得寻找最优解变得困难且耗时；此外，求解器带有需要优化的数值参数。更复杂的是，求解器性能可能依赖于模拟模型的物理状态，而该状态可能随时间变化。根据主导过程切换求解器可能是有益的，但何时切换求解器的阈值不明确且难以分析。我们通过开发一个机器学习框架来应对这一挑战，该框架基于先前求解问题的统计数据，自动为给定的多物理模拟设置搜索最优求解器。对于一系列问题（以时间相关模拟中的连续时间步为例），该框架在模拟过程中在线更新并改进其决策模型。我们展示了它如何优于测试问题设置中预选的最先进求解器。示例基于孔隙力学模拟以及流动和输运模拟。对于准静态线性Biot模型，我们通过展示如何优化所谓的固定应力预条件子的L参数，演示了数值求解器参数的自动调优。受一个主要传热机制在对流和扩散之间变化的测试示例的启发，我们讨论了当主导物理现象随时间变化时，求解器选择器如何动态切换求解器。