基于物理信息残差连接神经算子实现多尺度地下流动的混合双阶段重构
机器学习
2025-09-17 v2 流体动力学
摘要
新型神经网络在求解偏微分方程方面展现出巨大的潜力。对于孔隙介质中高对比系数单相流问题，关键在于开发具备精确重构能力且严格遵循物理定律的神经算子。本研究提出了一种混合双阶段框架，利用多尺度基函数与物理导向深度学习方法求解高对比系数裂缝孔隙介质中的达西流动问题。在第一阶段，采用数据驱动模型基于渗透率场重构多尺度基函数，以实现有效的降维，同时保留必要的多尺度特征。在第二阶段，结合基于达西方程推导的物理约束，利用物理信息神经网络与基于 Transformer 的全局信息提取器重构压力场，确保其与现实世界物理定律一致。该模型在不同渗透率与基函数组合的数据集上进行评估，重构精度卓越。具体而言，本框架在基函数拟合与压力重构方面实现 R2 值超过 0.9，残差指标约为 。这些结果验证了该框架在保持物理一致性的前提下实现精确重构的能力。
引用
@article{arxiv.2501.13271,
title = {Hybrid Two-Stage Reconstruction of Multiscale Subsurface Flow with Physics-informed Residual Connected Neural Operator},
author = {Peiqi Li and Jie Chen},
journal= {arXiv preprint arXiv:2501.13271},
year = {2025}
}