通过特征粗化提升预测大规模多孔介质流动的深学习性能
流体动力学
2021-05-11 v1 人工智能
机器学习
计算物理
摘要
基于物理的多孔介质流体流动模拟是一种预测多孔介质中状态变量（如压力）时空演化的计算技术，因其非线性和研究域尺度而通常需要高昂计算开销。本通讯描述一种深度学习(DL)工作流，用于预测流体在大规模三维非均质多孔介质中流动时的压力演化。特别地，我们应用特征粗化技术提取最具代表性的信息，并在粗尺度上执行DL的训练与预测，进而通过二维分段三次插值恢复细尺度分辨率。我们验证了该从基于物理的模拟数据训练的DL方法，以预测场地尺度三维地质CO_2封存储层中的压力场。我们评估了特征粗化对DL性能的影响，观察到特征粗化不仅能将训练时间减少>74%、内存消耗降低>75%，还将时间误差维持在<1.5%。此外，该DL工作流相较基于物理的模拟提供了约1400倍的预测效率加速。
引用
@article{arxiv.2105.03752,
title = {Improving Deep Learning Performance for Predicting Large-Scale Porous-Media Flow through Feature Coarsening},
author = {Bicheng Yan and Dylan Robert Harp and Bailian Chen and Rajesh J. Pawar},
journal= {arXiv preprint arXiv:2105.03752},
year = {2021}
}
备注
12 pages, 7 figures