Fourier-MIONet：用于地质碳封存多相建模的傅里叶增强多输入神经算子
机器学习
2024-07-25 v2 计算物理
摘要
地质碳封存（GCS）是一项安全关键型技术，旨在减少大气中的二氧化碳量，同时也对可靠性提出了很高要求。多孔介质中的多相流对于理解与GCS相关的地下CO运移和压力场至关重要。然而，由于高度非线性控制偏微分方程（PDEs）的多物理场和多尺度特性，此类四维问题的数值模拟在计算上具有挑战性且代价高昂。这阻碍了我们考虑多种地下情景并进行实时优化。在此，我们开发了傅里叶增强多输入神经算子（Fourier-MIONet）来学习多孔介质中多相流问题的解算子。Fourier-MIONet利用了近期发展的多输入深度神经算子（MIONet）框架，并在网络架构中融入了傅里叶神经算子（FNO）。一旦Fourier-MIONet训练完成，它便可预测多相流在不同储层条件（如渗透率和孔隙度非均质性、各向异性、注入配置以及多相流属性）下的饱和度和压力的演化。与增强型FNO（U-FNO）相比，所提出的Fourier-MIONet未知参数减少了90%，且可在显著更短的时间内（约快3.5倍）训练，同时CPU内存（<15%）和GPU内存（<35%）需求大幅降低，即可达到相似的预测精度。除更低的计算成本外，Fourier-MIONet仅需6个时间快照进行训练，便可预测30年内的PDE解。Fourier-MIONet优异的泛化能力源于其遵循PDE解随时间连续的物理原理。
引用
@article{arxiv.2303.04778,
title = {Fourier-MIONet: Fourier-enhanced multiple-input neural operators for multiphase modeling of geological carbon sequestration},
author = {Zhongyi Jiang and Min Zhu and Lu Lu},
journal= {arXiv preprint arXiv:2303.04778},
year = {2024}
}