LAViG-FLOW：用于流体流动模拟的潜在自回归视频生成
机器学习
2026-02-17 v2 流体动力学
摘要
地下多相流体流场的建模与预测是地质 CO2 封存（GCS）作业和地热开采等应用的基础，对于确保运行性能和长期安全至关重要。尽管高保真多相模拟器被广泛用于此目的，但当需要进行大量正向运算以进行反演和量化不确定性时，其计算成本变得极其高昂。为应对这一挑战，我们提出了 LAViG-FLOW，这是一个潜在自回归视频生成扩散框架，能够显式学习饱和度场与压力场的耦合演化。每个状态变量由专门的 2D 自编码器进行压缩，并由 Video Diffusion Transformer (VDiT) 对它们随时间变化的耦合分布进行建模。我们首先在给定时间范围内训练模型以学习它们的耦合关系，然后以自回归方式进行微调，使其能够外推至已观测时间窗口之外。在开源 CO2 封存数据集上的评估表明，LAViG-FLOW 生成的饱和度场和压力场在时间上保持一致，同时运行速度比传统数值求解器快两个数量级。
引用
@article{arxiv.2601.13190,
title = {LAViG-FLOW: Latent Autoregressive Video Generation for Fluid Flow Simulations},
author = {Vittoria De Pellegrini and Tariq Alkhalifah},
journal= {arXiv preprint arXiv:2601.13190},
year = {2026}
}